PROB: Probabilistic Objectness for Open World Object Detection(论文解析)

摘要

Open World Object Detection (OWOD)是一项新的具有挑战性的计算机视觉任务，弥合了传统目标检测（OD）基准和实际世界目标检测之间的差距。除了检测和分类已知/标记的对象外，OWOD算法还应该检测新颖/未知的对象——这些对象可以进行分类并进行增量学习。在标准OD中，与已标记对象不重叠的对象提议会被自动分类为背景。因此，简单地将OD方法应服务器托管网用于OWOD会失败，因为未知对象将被预测为背景。检测未知对象的挑战源于在区分未知对象和背景对象提议方面缺乏监督。先前的OWOD方法尝试通过生成伪标签来克服这个问题，然而，未知对象的检测仍然较低。概率/生成模型可能为解决这一挑战提供解决方案。在此，我们介绍了一种新颖的用于目标概率估计的概率框架，我们在嵌入式特征空间中在概率分布估计和已知对象的目标可能性最大化之间交替——最终允许我们估计不同提议的目标概率。由此产生的基于概率目标的变压器的开放世界检测器，PROB，将我们的框架集成到传统目标检测模型中，使其适应开放世界环境。对OWOD基准的全面实验证明，PROB在未知对象检测（∼2未知召回率）和已知对象检测（∼10% mAP）方面优于所有现有的OWOD方法。我们的代码可在 https://github.com/orrzohar/PROB 获取。

1 介绍

目标检测（OD）是一项基础的计算机视觉任务，拥有众多实际应用，包括自动驾驶[18, 25]、机器人技术[4, 32]以及医疗保健[6, 12]。然而，与许多其他机器学习系统一样，超越训练分布进行泛化仍然具有挑战性[5]，限制了现有OD系统的适用性。为促进在真实世界中保持鲁棒性的机器学习方法的发展，提出了一种新的学习范式——开放世界学习（OWL）[8–10, 16, 17, 21, 27, 29–31, 34]。在OWL中，机器学习系统被赋予了同时推理已知和未知概念的任务，同时从非静态数据流中随时间缓慢学习。在开放世界目标检测（OWOD）中，模型被期望在同时能够检测所有先前学习过的对象的同时，能够检测到新颖的未知对象。这些被标记为未知的对象可以发送给一个专家（人类标注者），该专家标记感兴趣的对象。然后期望该模型在不遗忘先前的对象类别的情况下进行更新[10]。

虽然未知对象检测对于OWOD目标至关重要，但现有的OWOD方法在未知对象检测方面具有很低的召回率（约10%）[8, 10, 30, 34]。因此，很明显该领域还有很大的改进空间，以实现其实际目标。未知对象检测的困难在于服务器托管网缺乏监督，因为与已知对象不同，未知对象没有标签。因此，在训练OD模型时，包含未知对象的目标建议会被错误地惩罚为背景。到目前为止，大多数OWOD方法都尝试通过在训练期间使用不同的启发式方法区分未知对象和背景来克服这一

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net

相关推荐: 【环境】Ubuntu20.04 安装 Anaconda 顺顺利利

ubuntu里面安装的Anacon服务器托管网da也是顺顺利利 别忘了source source一下 参考链接 中间遇服务器托管网到了一个问题，用下面的链接轻松解决了 关于修改anaconda安装路径的问题 服务器托管，北京服务器托管，服务器租用 http:/…