作者:18届cyl
时间:2021-08-15
论文:《Towords Open World Object Detection》
一、问题背景:
1)测试图像可能包含来自未知类的对象,应该归类为未知。
2)当有关这些已识别的未知数的信息(标签)可用时,模型应该能够逐步学习新的类。而不忘记先前学习的类。即Open world object detection
过去未被标记的类会被明确地当做背景来训练,但是即使是最先进的分类器的假阳性率也非常高。
二、解决方法:
曾经有增量模型的研究来解决这个问题,
本文则提出一种新的方法:ORE
它基于对比聚类、基于能量的未知识别
三、具体原理:
ORE:
1、设置一个对象检测模型MC,被训练用于检测以前遇到的所有对象类。
2、并且可以通过将新的未见的类实例分类为未知。
3、将大量未知的类集合发送给人,由人提供感兴趣的新类的标签和训练示例。
4、由模型增量地增加n个新类并更新自己以产生一个新的模型MCn,好处是可以不再从头训练
5、使模型在学习到新的类的同时不会遗忘旧的类的方法为:存储一组平衡的范例,并在每个增量步骤后调整模型。(文中称,只用一种新的类进行训练会让模型识别原来旧类的正确率变低,同时其他研究已经发现存储少量实例和重新调整模型的有效性是很高的)