Improving Open-World Object Localization by Discovering Background

要約

私たちの作品は、オープンワールド設定でオブジェクトをローカライズすることを学ぶ問題に対処します。つまり、トレーニング中の限られた数のオブジェクトクラスの境界ボックス情報を考えると、目標は、推論中に画像内のトレーニングと目に見えないクラスの両方に属するすべてのオブジェクトをローカライズすることです。
この目的に向けて、この領域での最近の作業は、新しい目的関数（ローカリゼーションの品質）を提案することにより、明示的にオブジェクトの特性評価を改善するか、深さ情報、ピクセル/地域の親和性マップなどのオブジェクト中心の補助情報を暗黙的に使用することに焦点を当てています。
具体的には、画像内の背景領域を発見し、これらの領域のオブジェクトを検出しないようにオブジェクト提案ネットワークを訓練するための新しいフレームワークを提案します。
識別的ではない画像領域、つまり冗長で低い情報コンテンツを構成する画像領域を識別するものとして、バックグラウンドディスカバリータスクを策定します。
提案されたアプローチの有効性を紹介するために、標準ベンチマークで実験を実施し、このタスクの以前の最先端のアプローチに対する大幅な改善を観察します。

要約(オリジナル)

Our work addresses the problem of learning to localize objects in an open-world setting, i.e., given the bounding box information of a limited number of object classes during training, the goal is to localize all objects, belonging to both the training and unseen classes in an image, during inference. Towards this end, recent work in this area has focused on improving the characterization of objects either explicitly by proposing new objective functions (localization quality) or implicitly using object-centric auxiliary-information, such as depth information, pixel/region affinity map etc. In this work, we address this problem by incorporating background information to guide the learning of the notion of objectness. Specifically, we propose a novel framework to discover background regions in an image and train an object proposal network to not detect any objects in these regions. We formulate the background discovery task as that of identifying image regions that are not discriminative, i.e., those that are redundant and constitute low information content. We conduct experiments on standard benchmarks to showcase the effectiveness of our proposed approach and observe significant improvements over the previous state-of-the-art approaches for this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google