Semi-Supervised Object Detection in the Open World

要約

半教師あり物体検出の既存のアプローチは、トレーニング データセットとラベルなしデータセット、つまり分布内 (ID) データに存在するクラスの固定セットを前提としています。
これらの手法をオープンワールドに展開すると、ラベルなしのテスト データにはトレーニング中に表示されなかったオブジェクト、つまり配布外 (OOD) データが含まれる可能性があるため、これらの手法のパフォーマンスが大幅に低下します。
このペーパーで検討する 2 つの重要な質問は、これらの OOD サンプルを検出できるか、検出できた場合、そこから学ぶことができるかということです。
これらの考慮事項を念頭に置いて、ID と OOD データの両方から学習する半教師あり学習パイプラインとともに OOD データを効果的に検出する Open World Semi-supervised Detection Framework (OWSSD) を提案します。
ID データのみでトレーニングされた軽量の自動エンコーダー ネットワークで構成されるアンサンブル ベースの OOD 検出器を紹介します。
広範な評価を通じて、私たちの手法が最先端の OOD 検出アルゴリズムと競合するパフォーマンスを示し、オープンワールド シナリオにおける半教師あり学習のパフォーマンスも大幅に向上することを実証しました。

要約(オリジナル)

Existing approaches for semi-supervised object detection assume a fixed set of classes present in training and unlabeled datasets, i.e., in-distribution (ID) data. The performance of these techniques significantly degrades when these techniques are deployed in the open-world, due to the fact that the unlabeled and test data may contain objects that were not seen during training, i.e., out-of-distribution (OOD) data. The two key questions that we explore in this paper are: can we detect these OOD samples and if so, can we learn from them? With these considerations in mind, we propose the Open World Semi-supervised Detection framework (OWSSD) that effectively detects OOD data along with a semi-supervised learning pipeline that learns from both ID and OOD data. We introduce an ensemble based OOD detector consisting of lightweight auto-encoder networks trained only on ID data. Through extensive evalulation, we demonstrate that our method performs competitively against state-of-the-art OOD detection algorithms and also significantly boosts the semi-supervised learning performance in open-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google