Open World Object Detection
PulseAugur coverage of Open World Object Detection — every cluster mentioning Open World Object Detection across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MSPO框架通过语义校准增强开放世界物体检测
研究人员开发了MSPO，一个新颖的语义校准框架，旨在改进开放世界物体检测（OWOD）。MSPO通过整合来自已知类别的语言先验来增强现有的概率物体性模型。这种方法有助于区分已知物体、来自未见类别物体和背景杂波，而无需将OWOD转换为开放词汇分类。在M-OWODB和S-OWODB数据集上的实验表明，MSPO在聚合指标上提升了性能，并在PASCAL VOC上将mAP提高了多达2.7个百分点，证明了语义校准对概率物体性的有效性。
-
新的REAL-OW框架实现了无排练的开放世界物体检测
研究人员开发了REAL-OW，一种用于开放世界物体检测（OWOD）的新型框架，无需数据排练。该方法使用带有低秩自适应（LoRA）的协作适配器架构来分离通用知识和特定任务知识。为了解决表示漂移问题，REAL-OW引入了双阶段物体性建模（DSOM），通过在特征聚合和边界巩固之间交替来稳定物体性分布。该方法取得了最先进的性能，在检测精度和未知物体发现方面优于现有的基于排练的方法。
-
新的DEUS框架增强了开放世界物体检测能力
研究人员推出了一种名为DEUS的新框架，旨在改进开放世界物体检测（OWOD）。该方法通过使用等角紧框架（ETF）子空间未知分离（EUS）更有效地分离已知和未知物体表示，从而解决了现有方法的局限性。此外，还采用了基于能量的已知区分（EKD）损失，以最小化记忆回放过程中先前学习的类别与新获得的类别之间的知识干扰，从而在检测未知物体方面取得更好的性能，同时保持已知类别具有竞争力。
-
VL-SAM-v3 利用视觉记忆增强开放世界目标检测
研究人员推出 VL-SAM-v3，一个旨在通过整合外部视觉记忆来增强开放世界目标检测的新框架。该方法通过从非参数记忆库中检索相关的视觉原型来增强现有方法，而现有方法通常依赖于有限的文本语义。然后，这些检索到的原型被转化为空间和上下文先验，以优化检测提示，从而提高在稀有和杂乱物体类别上的性能。