重新定义正常：一种面向多目标新颖性检测的新型对象级方法
计算机视觉与模式识别
2024-12-17 v1
摘要
在新颖性检测领域，在没有特定类别信息的情况下准确识别数据中的异常值是一个重大挑战。虽然当前方法在单目标场景中表现出色，但由于它们关注单个对象，在多目标情况下表现不佳。我们的论文提出了一种新颖的方法：在训练数据集中重新定义对象级别的“正常”。与通常的图像级别视图不同，我们将数据集中最占主导地位的对象视为规范，提供了一种对现实世界场景更有效的视角。为了适应我们对“正常”的对象级别定义，我们修改了知识蒸馏框架，其中学生网络从预训练的教师网络学习。我们的第一个贡献，DeFeND（在正常数据上进行密集特征微调），将密集特征微调集成到蒸馏过程中，使教师网络能够通过自监督损失关注对象级别特征。第二个是掩码知识蒸馏，其中学生网络处理部分隐藏的输入，磨练其从不完整数据中推断和泛化的能力。这种方法不仅在单目标新颖性检测中表现良好，而且在多目标上下文中显著超越了现有方法。实现代码可在以下网址获取：https://github.com/SMSD75/Redefining_Normal_ACCV24/tree/main
引用
@article{arxiv.2412.11148,
title = {Redefining Normal: A Novel Object-Level Approach for Multi-Object Novelty Detection},
author = {Mohammadreza Salehi and Nikolaos Apostolikas and Efstratios Gavves and Cees G. M. Snoek and Yuki M. Asano},
journal= {arXiv preprint arXiv:2412.11148},
year = {2024}
}
备注
Accepted at ACCV24(Oral)