开放世界目标检测(Open World Object Detection,OWOD)旨在检测环境中的未见目标,是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测,直接将在已知类别上训练的检测器泛化到检测其他的未知前景目...开放世界目标检测(Open World Object Detection,OWOD)旨在检测环境中的未见目标,是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测,直接将在已知类别上训练的检测器泛化到检测其他的未知前景目标上。然而这种方法使检测器偏向检测已知类别,难以识别全部未知目标。对此,提出了一种基于平滑性无监督领域自适应的开放世界目标检测方法。首先,利用两阶段目标检测Faster-RCNN为每一张图像生成候选区域,将目标得分高与目标得分极低的候选区域作为源域,将剩余候选区域作为目标域。然后,采用平滑性无监督领域自适应方法,学习前后景分类器,该方法通过引入平滑域对抗训练过程,能有效地提高域对抗方法在分类任务中的性能,实现对已知和未知类别的前景目标无偏向预测。在MS-COCO数据集以及自行构建的化学实验器材检测数据集上进行模型性能的评估实验。结果表明,相比于直接选择置信度最高的预测,本文提出的方法能更好地平衡已知和未知目标类别的检测,提高检测器的整体性能。展开更多
文摘开放世界目标检测(Open World Object Detection,OWOD)旨在检测环境中的未见目标,是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测,直接将在已知类别上训练的检测器泛化到检测其他的未知前景目标上。然而这种方法使检测器偏向检测已知类别,难以识别全部未知目标。对此,提出了一种基于平滑性无监督领域自适应的开放世界目标检测方法。首先,利用两阶段目标检测Faster-RCNN为每一张图像生成候选区域,将目标得分高与目标得分极低的候选区域作为源域,将剩余候选区域作为目标域。然后,采用平滑性无监督领域自适应方法,学习前后景分类器,该方法通过引入平滑域对抗训练过程,能有效地提高域对抗方法在分类任务中的性能,实现对已知和未知类别的前景目标无偏向预测。在MS-COCO数据集以及自行构建的化学实验器材检测数据集上进行模型性能的评估实验。结果表明,相比于直接选择置信度最高的预测,本文提出的方法能更好地平衡已知和未知目标类别的检测,提高检测器的整体性能。
基金National Industry System of Rice Technology of P.R.China(CARS-01-44)Modern Industrial Technology Collaborative Innovation System in Heilongjiang Province
