論文の概要: Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection

• arxiv url: http://arxiv.org/abs/2510.00303v1
• Date: Tue, 30 Sep 2025 21:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.266826
• Title: Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection
• Title（参考訳）: 知識を超えて見る: オープンワールドオブジェクト検出のためのデータディスカバリ
• Authors: Anay Majee, Amitesh Gangrade, Rishabh Iyer,
• Abstract要約: Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 我々は,未知のオブジェクトの発見と適応を相互に(セットベースの)データ発見と表現学習タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection (CROWD)を提案する。
• 参考スコア（独自算出の注目度）: 3.9890357781493595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-World Object Detection (OWOD) enriches traditional object detectors by enabling continual discovery and integration of unknown objects via human guidance. However, existing OWOD approaches frequently suffer from semantic confusion between known and unknown classes, alongside catastrophic forgetting, leading to diminished unknown recall and degraded known-class accuracy. To overcome these challenges, we propose Combinatorial Open-World Detection (CROWD), a unified framework reformulating unknown object discovery and adaptation as an interwoven combinatorial (set-based) data-discovery (CROWD-Discover) and representation learning (CROWD-Learn) task. CROWD-Discover strategically mines unknown instances by maximizing Submodular Conditional Gain (SCG) functions, selecting representative examples distinctly dissimilar from known objects. Subsequently, CROWD-Learn employs novel combinatorial objectives that jointly disentangle known and unknown representations while maintaining discriminative coherence among known classes, thus mitigating confusion and forgetting. Extensive evaluations on OWOD benchmarks illustrate that CROWD achieves improvements of 2.83% and 2.05% in known-class accuracy on M-OWODB and S-OWODB, respectively, and nearly 2.4x unknown recall compared to leading baselines.
• Abstract（参考訳）: Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 しかし、既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 これらの課題を克服するために、未知のオブジェクトの発見と適応を相互に結合したデータ発見(CROWD-Discovery)と表現学習(CROWD-Learn)タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection(CROWD)を提案する。 CROWD-Discoverは、サブモジュール条件ゲイン(SCG)関数を最大化し、既知のオブジェクトと明確に異なる代表例を選択することによって、未知のインスタンスを戦略的にマイニングする。 その後、CROWD-Learnは、既知のクラス間の識別的コヒーレンスを維持しながら、既知のクラスと未知の表現を共同で歪め、混乱と忘れを和らげる新しい組み合わせの目的を採用した。 OWODベンチマークの大規模な評価は、CROWDがM-OWODBとS-OWODBの既知のクラス精度2.83%と2.05%の改善を達成したことを示している。

関連論文リスト

• Open-Set Object Detection By Aligning Known Class Representations [24.708230848232432]
  Open-Set Object Detection (OSOD) は、未知の物体の検出に対処するための現代の研究の方向として登場した。 本稿では,意味空間におけるクラスタの有意義なアライメントを容易にするために,セマンティッククラスタリングに基づく新しいアプローチを提案する。 提案手法では,対象物検出の精度を高めるために,オブジェクトフォーカスモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2024-12-30T04:26:56Z)
• UADet: A Remarkably Simple Yet Effective Uncertainty-Aware Open-Set Object Detection Framework [13.310007077914122]
  我々は,未知のオブジェクトと未知のオブジェクトの両方を検出することを目的とした,Open-Set Object Detection (OSOD) の問題に取り組む。 外観と幾何的不確実性を考慮した不確かさ認識型オープンセットオブジェクト検出器UADetを提案する。
  論文  参考訳（メタデータ） (2024-12-12T12:38:33Z)
• Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary [10.054397736100245]
  FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するためにオープンセット検出器を訓練することを目的としている。 本手法は,従来の最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-26T15:48:24Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
  そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。 モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。 提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-12-06T13:39:30Z)
• Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
  オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。 本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。 この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T09:02:32Z)
• OW-DETR: Open-world Detection Transformer [90.56239673123804]
  オープンワールドオブジェクト検出のための新しいエンドツーエンドトランスフォーマーベースのフレームワークOW-DETRを提案する。 OW-DETRは3つの専用コンポーネント、すなわち注目駆動の擬似ラベル、新規性分類、オブジェクトネススコアから構成される。 我々のモデルは、最近導入されたOWODアプローチであるOREよりも優れており、リコールの度合いは1.8%から3.3%である。
  論文  参考訳（メタデータ） (2021-12-02T18:58:30Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。