Semi-Supervised Object Detection in the Open World

解决问题：本篇论文旨在解决半监督目标检测中的开放世界问题，即未标记的测试数据可能包含训练时未见过的对象，导致现有技术的性能显著降低。论文试图回答两个问题：我们能否检测这些开放世界样本？如果可以，我们能否从中学习？

关键思路：本文提出了开放世界半监督检测框架（OWSSD），该框架有效地检测开放世界数据，并提出了一种半监督学习流程，可以从标记和未标记的数据中学习。文中引入了基于轻量级自动编码器网络的集成型OOD检测器，只在ID数据上进行训练。通过广泛的评估，论文表明我们的方法在与最先进的OOD检测算法相比具有竞争力，并且在开放世界场景中显著提高了半监督学习的性能。

其他亮点：本文的亮点在于提出了解决开放世界问题的方法，即在半监督目标检测中引入OOD检测器。论文还使用了大量实验来证明其方法的有效性，并与最先进的OOD检测算法进行了比较。作者还提供了开源代码以及使用的数据集。

关于作者：Garvita Allabadi, Ana Lucic, Peter Pao-Huang, Yu-Xiong Wang, Vikram Adve是本文的主要作者，他们分别来自美国伊利诺伊大学香槟分校。他们之前的代表作包括：Garvita Allabadi的“Learning to Learn without Forgetting by Maximizing Transfer and Minimizing Interference”、Ana Lucic的“Deep Learning for Classical Japanese Literature”、Peter Pao-Huang的“Learning to Learn by Gradient Descent by Gradient Descent”、Yu-Xiong Wang的“Deep Reinforcement Learning for Real-time UAV Object Tracking in High Dynamic Cluttered Environments”、Vikram Adve的“LLVM: A Compilation Framework for Lifelong Program Analysis and Transformation”。

相关研究：近期的其他相关研究包括：“Semi-Supervised Object Detection with Progressive Knowledge Transfer”（作者：Xinlong Wang，Rui Yang，Shijian Lu，Jinhui Tang；机构：浙江大学）、“Semi-Supervised Object Detection in Aerial Images via Region-Based Multi-Task Learning”（作者：Jianyu Wang，Yunpeng Chen，Chen Gong，Zheng Liu，Jie Qin；机构：中国科学院自动化研究所）、“Semi-Supervised Object Detection with Self-Training”（作者：Xin Li，Wenhai Wang，Xinzhong Zhu；机构：南京大学）。

论文摘要：现有的半监督目标检测方法都假定训练集和未标记数据集中存在一组固定的类别，即分布内（ID）数据。然而，当这些方法在开放世界中部署时，性能会显著降低，因为未标记和测试数据可能包含在训练中未见过的对象，即分布外（OOD）数据。本文探讨的两个关键问题是：我们能否检测这些OOD样本，如果可以，我们能否从中学习？考虑到这些问题，我们提出了开放世界半监督检测框架（OWSSD），该框架可以有效地检测OOD数据，并且还包括一个半监督学习流程，可以从ID和OOD数据中学习。我们引入了一个基于集成的OOD检测器，由仅在ID数据上训练的轻量级自编码器网络组成。通过广泛的评估，我们证明了我们的方法在与最先进的OOD检测算法的竞争中表现出色，并且在开放世界场景中显著提高了半监督学习的性能。

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