Hyp-OW：利用双曲距离挖掘层次结构学习以增强开放世界目标检测
计算机视觉与模式识别
2024-02-16 v4 机器学习
摘要
开放世界目标检测（OWOD）是一项具有挑战性且贴近现实的 task，其范围超越了标准目标检测。它要求检测已知与未知对象，同时将所学知识整合至后续任务。然而，“未知程度”因上下文而异。例如，在自动驾驶场景中树通常被视为背景，但在家居环境中可能十分重要。我们认为此类上下文信息应已嵌入已知类别中。换言之，待发现的已知与未知项之间存在语义或隐结构关系。受此观察启发，我们提出 Hyp-OW，一种通过超类正则化器学习并建模已知项层次表示的方法。利用该表示，我们可通过基于相似距离的重新标注模块有效检测未知对象。在基准数据集上的大量实验证明了 Hyp-OW 的有效性，已知与未知检测均有提升（最高达 6%）。在我们新设计的基准上这一结论尤为明显，其中已知与未知对象间存在强层次结构。代码见 https://github.com/boschresearch/Hyp-OW
引用
@article{arxiv.2306.14291,
title = {Hyp-OW: Exploiting Hierarchical Structure Learning with Hyperbolic Distance Enhances Open World Object Detection},
author = {Thang Doan and Xin Li and Sima Behpour and Wenbin He and Liang Gou and Liu Ren},
journal= {arXiv preprint arXiv:2306.14291},
year = {2024}
}
备注
Accepted at AAAI 2024 || keywords: Open World Object Detection, Hyperbolic Distance, Unknown Detection, Deformable Transformers, Hierarchical Representation Learning