Core Concepts
提案された方法は、オンラインエンドツーエンド訓練可能なOSSODフレームワークであり、半教師付き外れ値フィルタリングとデュアル競合OODヘッドを使用して誤差蓄積問題に対処することを示しています。
Abstract
OSSODタスクの主要な課題は、OODインスタンス(外れ値)を効果的にフィルタリングすることです。
提案された方法は、既存の未ラベルデータを活用してモデルのパフォーマンスを向上させることができます。
DCOヘッドの導入により、パフォーマンスがさらに向上しました。
実験結果は、提案手法が最先端のOSSOD手法と比較して優れたパフォーマンスを達成したことを示しています。
Introduction
オープンセット半教師付き物体検出(OSSOD)タスクは、実用的なオープンセット未ラベルデータセットを活用して行われる半教師付き物体検出(SSOD)を目指します。
OSSODの主要な課題は、OODサンプルが性能に影響する可能性があるため、OODインスタンス(外れ値)を区別しフィルタリングすることです。
Methodology
Semi-supervised Outlier Filtering
以前の手法では、外れ値フィルタリングネットワークはラベル付きデータのみでトレーニングされていました。しかし、実際のOODインスタンスは未ラベルデータに存在します。
Dual Competing OOD Head
DCOヘッドは2つのサブ分類器から成ります:ポジティブヘッドとネガティブヘッド。これら2つの頭部が競争関係を形成し、IDまたはOODかどうかを決定します。
Experiments and Results
COCO-OpenおよびCOCO-VOCデータセットで我々の手法が他のSSODフレームワークにも適用可能であることが示されました。
大規模なデータセットでも我々の手法が有効であり、最先端のパフォーマンスを達成しました。
Stats
提案された方法は最先端のOSSODパフォーマンスを達成しました。