基于 Wasserstein 距离的低密度潜在区域扩展用于未知类别检测
计算机视觉与模式识别
2024-01-22 v3
摘要
本文解决了开放集目标检测（OSOD）中的一个重大挑战：最先进的检测器倾向于以高置信度将未知目标错误地分类为已知类别。我们提出了一种新颖的方法，通过区分潜在空间中的高密度和低密度区域来有效识别未知目标。我们的方法建立在 Open-Det（OD）框架之上，为损失函数引入了两个新元素。这些元素增强了已知嵌入空间的聚类性，并扩展了未知空间的低密度区域。第一个新增项是类别 Wasserstein 锚点（CWA），这是一个用于细化分类边界的新函数。第二个是谱归一化步骤，提高了模型的鲁棒性。这些对现有对比特征学习器（CFL）和未知概率学习器（UPL）损失函数的增强共同显著提升了 OSOD 性能。我们提出的 OpenDet-CWA（OD-CWA）方法表明：a）在各种开放集场景下，开放集错误减少了约 17%-22%，b）新颖性检测能力提升了 1.5%-16%，c）荒野指数降低了 2%-20%。这些结果代表了该领域的重大进展，展示了我们的方法在应对开放集目标检测复杂性方面的潜力。
引用
@article{arxiv.2401.05594,
title = {Wasserstein Distance-based Expansion of Low-Density Latent Regions for Unknown Class Detection},
author = {Prakash Mallick and Feras Dayoub and Jamie Sherrah},
journal= {arXiv preprint arXiv:2401.05594},
year = {2024}
}
备注
8 Full length pages, followed by 2 supplementary pages, total of 9 Figures