YOLOOC: YOLO-based Open-Class Incremental Object Detection with Novel Class Discovery

要約

オープンワールド物体検出 (OWOD) は実際に使用されているため、最近大きな注目を集めています。
課題は、モデルがどのようにして新しいクラスを検出し、以前に知られていたクラスを忘れることなく段階的に学習できるかということです。
これまでのアプローチは、新規クラス検出のために、強く監視された新規クラス データまたは弱く監視された新規クラス データに依存しており、実際のアプリケーションには適用できない可能性があります。
新しいクラスは推論段階でのみ遭遇するという新しいベンチマークを構築します。
そして、YOLO アーキテクチャに基づいた、オープンクラス設定向けの新しい OWOD 検出器 YOLOOC を提案します。
検出器が新しいクラスを既知のクラスに過信してマッピングすることを防ぎ、新しいクラスを検出するために、ラベル スムージングを導入します。
より現実的な設定で行われた広範な実験により、新しいベンチマークで新しいクラスを発見する方法の有効性が実証されました。

要約(オリジナル)

Because of its use in practice, open-world object detection (OWOD) has gotten a lot of attention recently. The challenge is how can a model detect novel classes and then incrementally learn them without forgetting previously known classes. Previous approaches hinge on strongly-supervised or weakly-supervised novel-class data for novel-class detection, which may not apply to real applications. We construct a new benchmark that novel classes are only encountered at the inference stage. And we propose a new OWOD detector YOLOOC, based on the YOLO architecture yet for the Open-Class setup. We introduce label smoothing to prevent the detector from over-confidently mapping novel classes to known classes and to discover novel classes. Extensive experiments conducted on our more realistic setup demonstrate the effectiveness of our method for discovering novel classes in our new benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google