USD：基于解耦目标性与 Segment Anything Model 的未知敏感检测器
计算机视觉与模式识别
2023-06-06 v1
摘要
开放世界目标检测（OWOD）是一项新颖且具有挑战性的计算机视觉任务，其能够在目标检测中识别未知物体。现有方法通常通过额外的目标性分支来估计目标似然，但忽略了目标性与分类边界在学习中的冲突，二者在语义流形和训练目标上相互对立。为解决此问题，我们提出了一种简单而有效的学习策略，即解耦目标性学习（DOL），其将这两种边界的学习划分到合适的解码器层中。此外，全面检测未知物体需要大量标注，但标注所有未知物体既困难又昂贵。因此，我们提出利用近期的大视觉模型（LVM），特别是 Segment Anything Model（SAM），来增强未知物体的检测。然而，SAM 的输出结果包含噪声，包括背景与碎片，因此我们引入了辅助监督框架（ASF），其使用伪标注与软加权策略来缓解噪声的负面影响。在包括 Pascal VOC 和 MS COCO 在内的流行基准上的大量实验证明了我们方法的有效性。我们提出的未知敏感检测器（USD）在未知召回率上优于近期最先进的方法，在 M-OWODB 上分别实现了 14.3%、15.5% 和 8.9% 的显著提升，在 S-OWODB 上分别实现了 27.1%、29.1% 和 25.1% 的显著提升。
引用
@article{arxiv.2306.02275,
title = {USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and Segment Anything Model},
author = {Yulin He and Wei Chen and Yusong Tan and Siqi Wang},
journal= {arXiv preprint arXiv:2306.02275},
year = {2023}
}