Towards Open World Object Detection

最新推荐文章于 2024-08-09 08:13:22 发布

Rainylt

最新推荐文章于 2024-08-09 08:13:22 发布

阅读量3k

点赞数 3

分类专栏：学习笔记文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/lt1103725556/article/details/114536960

版权

学习笔记专栏收录该内容

122 篇文章 4 订阅

订阅专栏

CVPR2021提出的新颖方法OpenWorldObjectDetection（ORE）结合了开放集学习和增量学习。开放集学习确保未知物体被识别为'unknown'，同时保持已知类别准确性。增量学习则允许网络在遇到新类别时进行学习，不遗忘旧类别。ORE在目标检测中面临挑战，如如何处理未见过的unknown对象，通常可能被误识别为背景。该文探讨ORE在目标检测领域的应用及其复杂性。

摘要由CSDN通过智能技术生成

CVPR2021挖的一个新坑
Open world object detection（后面简称ORE） = Open set learning + Incremental Learning

(1)Open set learning
这是ORE的核心，“confidently predict an unknown object as unknown, and known objects into the corresponding classes”
就是说，除了已知的类别，其他的所有object都要被预测为"unknown"，同时保证已之类别的object的准确性

这其实有点类似显著性检测，或者说全景分割，要把所有物体都检测出来，对于unknown的object多半就是显著性检测了

(2)Incremental Learning
就是如果unknown的label得到了，就让网络增量学习，同时不遗忘之前学过的class，也就是说能够同时识别N+1种类别(N：以前就能识别的类别，1：新增的类别)

其实之前已经有人做了Open World Classification，也是这两样，不过ORE多了一个定位的过程，而且目标检测如果inference中出现从没见过的unknown，能否把它识别为object都是问题，多半会被识别为background，感觉还是比较难的

先看了Introduction，后面的再补，先搞毕业论文要紧。