用于目标检测的未知嗅探器：莫对未知目标视而不见
计算机视觉与模式识别
2023-04-21 v3 人工智能
机器学习
摘要
近期提出的开放世界目标检测与开放集检测在发现前所未见目标并将其与已知目标区分方面取得了突破。然而，它们关于从已知类到未知类的知识迁移研究不够深入，导致检测隐藏于背景中未知目标的能力薄弱。本文中，我们提出未知嗅探器（UnSniffer）来同时发现未知与已知目标。首先，引入广义目标置信度（GOC）分数，其仅使用已知样本进行监督，并避免对背景中未知目标的不当抑制。值得注意的是，这种从已知目标学到的置信度分数可泛化至未知目标。此外，我们提出负能量抑制损失以进一步抑制背景中的非目标样本。其次，由于训练时缺乏未知目标的语义信息，推理过程中难以获得每个未知目标的最佳框。为解决此问题，我们引入一种基于图的判定方案来替代手工设计的非极大抑制（NMS）后处理。最后，我们提出未知目标检测基准，据我们所知这是首个涵盖未知检测精度评估的公开基准。实验表明，我们的方法远优于现有最优方法。
引用
@article{arxiv.2303.13769,
title = {Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects},
author = {Wenteng Liang and Feng Xue and Yihao Liu and Guofeng Zhong and Anlong Ming},
journal= {arXiv preprint arXiv:2303.13769},
year = {2023}
}
备注
CVPR 2023 camera-ready; Code: https://github.com/Went-Liang/UnSniffer Project: https://xuefengbupt.github.io/project_page/unsniffer_cvpr23.html Demo: https://www.bilibili.com/video/BV1xM4y1z7Hv Supplymentary: https://xuefengbupt.github.io/project_page/pdf/supplementary_cvpr2023.pdf