要約
現在の半教師付き物体検出(Semi-Supervised Object Detection: SSOD)手法は、ラベル付けされたデータとラベル付けされていないデータの両方が同じラベル空間を共有すると仮定し、大量のラベル付けされていないデータを活用することで検出器の性能を向上させる。しかし、オープンセットシナリオでは、ラベル無しデータセットには、分布内(ID)クラスと分布外(OOD)クラスの両方が含まれる。このような状況で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類してしまう可能性がある。この問題を緩和するために、我々は協調特徴ロジット検出器(CFL-Detector)と呼ばれるシンプルで効果的な手法を提案する。具体的には、特徴空間におけるベクトルの境界を明確にし、クラスの違いを強調するために、対比的損失を用いた特徴レベルのクラスタリング手法を導入する。さらに、ロジットレベルの不確実性分類損失を最適化することで、IDクラスとOODクラスを効果的に区別する能力を高める。広範な実験により、我々の手法が既存の手法と比較して最先端の性能を達成していることが実証された。
要約(オリジナル)
Current Semi-Supervised Object Detection (SSOD) methods enhance detector performance by leveraging large amounts of unlabeled data, assuming that both labeled and unlabeled data share the same label space. However, in open-set scenarios, the unlabeled dataset contains both in-distribution (ID) classes and out-of-distribution (OOD) classes. Applying semi-supervised detectors in such settings can lead to misclassifying OOD class as ID classes. To alleviate this issue, we propose a simple yet effective method, termed Collaborative Feature-Logits Detector (CFL-Detector). Specifically, we introduce a feature-level clustering method using contrastive loss to clarify vector boundaries in the feature space and highlight class differences. Additionally, by optimizing the logits-level uncertainty classification loss, the model enhances its ability to effectively distinguish between ID and OOD classes. Extensive experiments demonstrate that our method achieves state-of-the-art performance compared to existing methods.
arxiv情報
著者 | Xinhao Zhong,Siyu Jiao,Yao Zhao,Yunchao Wei |
発行日 | 2024-12-03 15:31:34+00:00 |
arxivサイト | arxiv_id(pdf) |