面向开放世界的可调混合提案网络

当前最先进的物体提案网络在封闭世界假设下训练，即它们只学习检测训练类别的物体。这些模型在可能遇到重要新颖物体的开放世界环境中无法提供高召回率。尽管少数近期工作试图解决该问题，但它们未考虑到提案网络的最优行为会因数据和应用而显著不同。我们的目标是提供一种灵活的提案方案，可轻松调整以适应多种开放世界设置。为此，我们设计了一种可调混合提案网络（THPN），其利用可调混合架构、新颖的自训练流程以及动态损失分量来优化已知与未知物体检测性能之间的权衡。为全面评估我们的方法，我们设计了若干新挑战，通过改变已知类别多样性和标签数量来引发不同程度的标签偏差。我们发现，在每项任务中，THPN 都轻松优于现有基线（如 RPN、OLN）。我们的方法还具有极高的数据效率，仅用一小部分标注数据即可超越基线的召回率。