Towards open world object detection CVPR2021开放集识别率论文解读

 【9】Joseph K J, Khan S, Khan F S, et al. Towards open world object detection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 5830-5840.

本文开发了一种新的方法,称为ORE,基于对比聚类,位置类别RPN网络和基于能量的未知类型识别进行开放世界目标检测。

  • 在训练中,该方法主要是基于嵌入特征的对比聚类损失和基于能量的损失。在基于对比聚类损失中,为每个类建立一个聚类(动态更新的原型,每迭代Ib次进行一次旧原型和新原型的加权更新),也包括通过RPN网络中识别的未知类(检测为目标类评分最高的部分,但没有被分类标记为groundtruth的),然后最小化每个样本与其所属类原型的距离,即所谓的与原型对比的损失,同时使样本与其他类原型之间的距离大于某个值。在基于能量的损失中,最小化已知类的能量。因此,最终的损失函数为

Towards open world object detection CVPR2021开放集识别率论文解读_第1张图片

 Towards open world object detection CVPR2021开放集识别率论文解读_第2张图片

  • 在测试时,为已知类和未知类建立一个能量极值机,并设定一个阈值。如果样本的已知类极值概率大于未知类,则属于已知类,否则属于未知类 

你可能感兴趣的:(开放集识别,深度学习)