本研究では、オープンワールド環境で高性能な物体提案ネットワークを開発することを目的としている。従来の物体提案ネットワークは、訓練クラスのみを検出するように学習されており、未知のクラスの物体を検出することが困難であった。
提案手法のTunable Hybrid Proposal Network (THPN)は、分類ベースの物体性と局在化ベースの物体性の2つの表現を組み合わせることで、ID物体とOOD物体の検出性能のバランスを調整できる。また、自己教師あり学習手法を用いて、既存のラベルセットに高品質な疑似ラベルを追加することで、モデルの一般化性能を向上させている。
実験では、従来の評価手法では考慮されていない、ラベルバイアスの強い様々な課題設定を新たに提案し、THPNの有効性を検証した。その結果、THPNは全ての課題設定において既存手法を大きく上回る性能を示した。特に、ラベルバイアスが強い課題では、THPNの優位性が顕著であった。また、単一のハイパーパラメータを調整するだけで、ID物体とOOD物体の検出性能のバランスを柔軟に制御できることが示された。
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Matthew Inka... klokken arxiv.org 04-18-2024
https://arxiv.org/pdf/2208.11050.pdfDypere Spørsmål