随机框是开放世界目标检测器
计算机视觉与模式识别
2023-07-18 v1
摘要
我们表明，用随机区域提议训练的分类器可达到最先进的开放世界目标检测（OWOD）：它们不仅能保持已知对象（带训练标签）的精度，还能显著提升未知对象（无训练标签）的召回率。具体而言，我们提出 RandBox，一种基于 Fast R-CNN 的架构，在每次训练迭代中使用随机提议进行训练，超越了现有的基于 Faster R-CNN 与 Transformer 的 OWOD。其有效性源于随机性带来的如下两点益处。第一，由于随机化独立于有限已知对象的分布，随机提议成为阻止训练被已知对象混淆的工具变量。第二，无偏训练通过使用我们提出的匹配分数鼓励更多提议探索，该分数不惩罚预测分数与已知对象不匹配的随机提议。在两个基准 Pascal-VOC/MS-COCO 与 LVIS 上，RandBox 在所有指标上显著优于先前的最先进方法。我们还详述了关于随机化与损失设计的消融实验。代码见 https://github.com/scuwyh2000/RandBox。
引用
@article{arxiv.2307.08249,
title = {Random Boxes Are Open-world Object Detectors},
author = {Yanghao Wang and Zhongqi Yue and Xian-Sheng Hua and Hanwang Zhang},
journal= {arXiv preprint arXiv:2307.08249},
year = {2023}
}
备注
ICCV 2023