论文标题: OW-DETR: Open-world Detection Transformer

论文链接：https://arxiv.org/abs/2112.01513

开放世界目标检测（OWOD，Open-world object detection） 是一个极具挑战性的计算机视觉话题，其任务是训练一个目标检测器，同时检测图片中已知类别和未知类别的目标。此外，还需要赋予检测器增量学习的能力，随着训练代数的深入，模型可识别的目标类别也在增加，这就要求检测器能够将未知目标与背景分离，同时生成高质量的候选框（candidate proposals）。与标准目标检测的任务设置相比，OWOD的任务设置难度较大，为此，Inception-AI、谷歌等单位提出了一种基于端到端Transformer开放世界对象检测框架OW-DETR。本文提出的OW-DETR主要由三个模块构成，包括注意力驱动的伪标签生成（attention-driven pseudo-labeling）、新颖性分类（novelty classification）和客观性评分（objectness scoring）。本文的实验在MS-COCO和PASCAL VOC两个数据集上进行，在增量目标检测的设置下，达到了SOTA性能。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除