O1O：通过已知类别分组将未知物体识别为异类

在固定已知类别集上训练的目标检测方法在开放世界环境中难以检测未知类别的物体。当前的修复方法涉及使用与物体候选位置相对应的伪标签添加近似监督，这些伪标签通常以类别无关的方式获得。虽然以前的方法主要依赖于物体的外观，但我们发现几何线索可以提高未知召回率。尽管来自伪标签的额外监督有助于检测未知物体，但它也会给已知类别带来混淆。我们观察到，在存在噪声伪标签的情况下，模型检测已知物体的性能显著下降。受人类认知研究的启发，我们提出将已知类别分组为超类。通过识别超类内类别之间的相似性，我们可以通过异类评分机制识别未知类别。我们在开放世界检测基准上的实验表明，在所有任务中，未知召回率都有显著提高。至关重要的是，由于通过超类更好地划分了特征空间，我们在不牺牲已知性能的情况下实现了这一点。