CVPR’24|DRM:清华提出无偏差的新类发现与定位新方法

AI最新资讯7个月前发布 tree
83 0 0

今日应用


今日话题


CVPR’24|DRM:清华提出无偏差的新类发现与定位新方法
CVPR’24|DRM:清华提出无偏差的新类发现与定位新方法
 

重点标签 新类别发现

文章摘要


摘要:
本文介绍了一篇关于新类别发现和定位(NCDL)的论文,该论文提出了一种去偏差区域挖掘(DRM)方法,旨在解决目标检测器对已知目标的偏向问题。论文的主要贡献包括重新审视开放世界中新类别发现的问题,研究现有方法中的偏差问题,并提出了一种双对象检测器策略,以及一种半监督实例级对比学习方法。此外,论文还采用了一种简单高效的mini-batch K-means聚类方法来进行新类发现。

1. 问题背景:现实场景中的对象检测器需要面对已知对象和潜在未知对象,而现有的对象检测方法主要在固定类别的封闭数据集上进行训练和评估。

2. 现有方法的局限性:大多数新类别发现(NCD)方法在预训练和定位过程中引入了偏差,导致模型无法有效识别未知对象。

3. 提出的解决方案:论文提出了一种去偏差的NCD方法,包括半监督对比学习和双RPN策略,以及一种半监督实例级对比学习方法,用于提取更通用和更具表现力的特征。

4. 框架细节
半监督对比学习:通过优化特征提取器,学习更通用的特征表达。
双RPN模块:生成不同的框,再使用ROI pooling来池化特征用作最终提案输入。
聚类:通过聚类将具有相似特征的实例分在一起,发现不同的未知类别。

5. 实验结果:论文的方法在多个实验中表现出优于其他基线方法的性能。

6. 技术专栏和资源:文章还提供了一些技术专栏和资源链接,供读者深入了解相关技术。

7. 社区互动:鼓励读者参与CV社区,获取更多技术干货。

文章来源


原文地址: 点我阅读全文
原文作者: 极市平台

© 版权声明

相关文章

暂无评论

暂无评论...