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

最近，由于其在实践中的应用，开放世界目标检测（OWOD）引起了很多关注。挑战在于如何让模型检测新颖的类别，并在不忘记先前已知类别的情况下逐步学习它们。以前的方法依赖于强监督或弱监督的新颖类别数据来进行新颖类别检测，这可能不适用于实际应用。我们构建了一个新的基准测试，其中新颖类别仅在推断阶段遇到。我们提出了一种新的OWOD检测器YOLOOC，基于YOLO架构，但适用于开放类别设置。我们引入标签平滑来防止检测器过于自信地将新颖类别映射到已知类别，并发现新颖类别。在我们更为现实的设置上进行的广泛实验证明了我们的方法在发现新颖类别方面的有效性。

解决问题：论文旨在解决开放世界目标检测（OWOD）中遇到的新类检测和增量学习问题，提出一种新的基于YOLO架构的OWOD检测器YOLOOC，并在更加真实的场景下进行了广泛的实验验证。

关键思路：论文提出了一种基于YOLO架构的新型OWOD检测器YOLOOC，并采用标签平滑技术来避免模型过度自信地将新类映射为已知类，并能够发现新类。

其他亮点：论文提出了一个新的基准测试，其中新类仅在推理阶段遇到，而不是在训练阶段提供强监督或弱监督的数据。实验结果表明，YOLOOC在这种更加真实的场景下具有很好的性能。论文还使用了开源数据集进行实验，并提供了开源代码。

相关研究：最近的相关研究包括Few-shot目标检测和增量学习。其中一些相关论文包括《Few-shot Object Detection with Attention-RPN and Multi-Relation Detector》和《Learning to Learn without Forgetting by Maximizing Transfer and Minimizing Interference》等。