Open Images

新框架在无显式背景监督下学习物体性

研究人员开发了一个名为背景无关物体性学习（B-FOR）的新框架，用于类别无关物体检测。该方法在没有显式背景监督的情况下学习物体性，解决了传统闭集训练可能导致的物体性偏差的局限性。B-FOR 预测密集的物体中心和尺度场，并使用结构化软目标将监督限制在标注区域内。在 PASCAL VOC、MS-COCO 和 Open Images 数据集上的实验表明，该方法在泛化到未见类别和跨数据集分布方面有所改进，比之前的类别无关基线高出 10 个 AR 点以上。