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

由于其在实践中的应用，开放世界目标检测（OWOD）近来受到了很多关注。挑战在于如何使模型能够检测到新的类别，并在不遗忘先前已知类别的情况下逐步学习它们。先前的方法依赖于针对新类别的强监督或弱监督数据进行新类别检测，这可能不适用于实际应用。我们构建了一个新的基准测试，其中新类别仅在推理阶段遇到。我们提出了一种基于YOLO架构的新的OWOD检测器YOLOOC，用于开放类别设置。我们引入标签平滑技术，以防止检测器将新类别过于自信地映射到已知类别，并发现新类别。在我们更加现实的设置下进行的大量实验证明了我们的方法在我们的新基准测试中发现新类别的有效性。

本文旨在解决开放世界目标检测（OWOD）中的新类检测问题，即如何在不遗忘已知类别的情况下检测新类别。

本文提出了一种基于YOLO架构的新型OWOD检测器YOLOOC，采用标签平滑技术来避免过度自信地将新类别映射到已知类别，并发现新类别。

本文构建了一个更加现实的基准测试，其中新类别仅在推理阶段遇到。实验结果表明，YOLOOC方法在新基准测试中发现新类别的效果显著。

近期的相关研究包括《Learning to Learn from Novel Classes: A Hierarchical Meta-learner》、《Open-Set Domain Adaptation by Backpropagation》等。