Unveiling the Unknown: Conditional Evidence Decoupling for Unknown Rejection

要約

この論文では、既知のカテゴリと未知のカテゴリを区別する必要があるトレーニング サンプルが不足している条件下で、オープンセットのオブジェクト検出器をトレーニングすることに焦点を当てます。
この困難なシナリオでは、未知の要素の決定境界を学習するのは難しく、多くの場合があいまいです。
この問題を軽減するために、我々は、未知の拒絶に対する条件付き証拠の分離を掘り下げる、新しいオープンセットオブジェクト検出フレームワークを開発しました。
具体的には、既知クラスと未知クラス間の属性勾配の不一致を利用して擬似未知サンプルを選択し、トレーニング データの不適切な未知分布カバレッジを軽減します。
続いて、証拠深層学習 (EDL) 理論に基づいた条件付き証拠分離損失 (CEDL) を提案します。これは、疑似未知のサンプル内の既知の特性と未知の特性を分離して、明確な知識を学習し、既知と未知の分離性を高めます。
さらに、出力確率分布を調整するための正則化項として機能し、未知の拒否に対する堅牢な決定境界を確立する異常校正損失 (ACL) を提案します。
私たちの手法は、以前の最先端のアプローチを上回る優れたパフォーマンスを達成し、未知クラスの平均再現率を、VOC10-5-5 データセット設定ではすべてのショットにわたって 7.24%、VOC-COCO データセット設定では 1.38% 改善しました。
コードは https://github.com/zjzwzw/CED-FOOD から入手できます。

要約(オリジナル)

In this paper, we focus on training an open-set object detector under the condition of scarce training samples, which should distinguish the known and unknown categories. Under this challenging scenario, the decision boundaries of unknowns are difficult to learn and often ambiguous. To mitigate this issue, we develop a novel open-set object detection framework, which delves into conditional evidence decoupling for the unknown rejection. Specifically, we select pseudo-unknown samples by leveraging the discrepancy in attribution gradients between known and unknown classes, alleviating the inadequate unknown distribution coverage of training data. Subsequently, we propose a Conditional Evidence Decoupling Loss (CEDL) based on Evidential Deep Learning (EDL) theory, which decouples known and unknown properties in pseudo-unknown samples to learn distinct knowledge, enhancing separability between knowns and unknowns. Additionally, we propose an Abnormality Calibration Loss (ACL), which serves as a regularization term to adjust the output probability distribution, establishing robust decision boundaries for the unknown rejection. Our method has achieved the superiority performance over previous state-of-the-art approaches, improving the mean recall of unknown class by 7.24% across all shots in VOC10-5-5 dataset settings and 1.38% in VOC-COCO dataset settings. The code is available via https://github.com/zjzwzw/CED-FOOD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google