Open world Learning 论文笔记 1: Towards Open World Object Detection

      K J Joseph, et al在研究中表示：面对人类对于未知环境进行学习的需求，产生了一个“计算机视觉领域”的新问题：在现有知识体系上对未知物体进行识别，并取名为“Open World Object Detection”问题。

       这一问题具有两个典型特征：一是需要对没有监督学习过的未知物体进行识别；二是需要在保留原本识别效果的基础上，通过不断学习新类别而具备识别新类别的能力。

       文章中详细阐释了Open Set 与Open World这两个概念。

       Open Set: The open set setting considers knowledge acquired through training set to be incomplete,thus new unknown classes can be encountered during testing.翻译过来就是open set在训练过程中存在不完善的知识部分，导致了测试过程中会遇到没见过的类别。

       Open World: 与Open Set的不同之处在于，Open Set在训练过程中的labels完全是已知的，而Open World在训练过程中就会碰到unknown的labels。两者的共同之处是在测试过程中都会遇见未知的标签。针对这一点，本文提出的ORE方法会在训练过程中及时打上unknown标签。

       前人都在Open Set Classification、Open Set Detection甚至是Open World Classification方面做出了成果，而本文可以看做是Open World Detection领域研究的先驱者。

       作者提出了一种名为ORE“Open World Object Detector”的解决方案：该方案基于对比聚类（contrastive clustering）和基于能量的未知识别技术（energy based unknown identification）。该模型能够将未知的类别时将其标注上“unknown”标签，随着不断接触新的标签而学习新的事物。作者通过设置一个综合实验来验证了这种模型。

 Figure 4: Predictions from ORE after being trained

       作者还发现，识别和描述未知实例有助于减少增量对象检测设置中的混淆现象。

       论文连接：https://arxiv.org/abs/2103.02603