論文の概要: Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model

• arxiv url: http://arxiv.org/abs/2602.20616v1
• Date: Tue, 24 Feb 2026 07:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.640215
• Title: Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model
• Title（参考訳）: 未知の知識:概念分解モデルによる解釈可能なオープンワールドオブジェクト検出
• Authors: Xueqiang Lv, Shizhou Zhang, Yinghui Xing, Di Xu, Peng Wang, Yanning Zhang,
• Abstract要約: オープンワールドオブジェクト検出(OWOD)では、未知のオブジェクトを確実に識別しながら、既知のカテゴリを段階的に検出する必要がある。 本稿では、OWODフレームワーク全体を解釈可能とし、検出器が「未知の知識」を真に理解できるようにすることを目的とする。
• 参考スコア（独自算出の注目度）: 51.81962097623522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-world object detection (OWOD) requires incrementally detecting known categories while reliably identifying unknown objects. Existing methods primarily focus on improving unknown recall, yet overlook interpretability, often leading to known-unknown confusion and reduced prediction reliability. This paper aims to make the entire OWOD framework interpretable, enabling the detector to truly "knowing the unknown". To this end, we propose a concept-driven InterPretable OWOD framework(IPOW) by introducing a Concept Decomposition Model (CDM) for OWOD, which explicitly decomposes the coupled RoI features in Faster R-CNN into discriminative, shared, and background concepts. Discriminative concepts identify the most discriminative features to enlarge the distances between known categories, while shared and background concepts, due to their strong generalization ability, can be readily transferred to detect unknown categories. Leveraging the interpretable framework, we identify that known-unknown confusion arises when unknown objects fall into the discriminative space of known classes. To address this, we propose Concept-Guided Rectification (CGR) to further resolve such confusion. Extensive experiments show that IPOW significantly improves unknown recall while mitigating confusion, and provides concept-level interpretability for both known and unknown predictions.
• Abstract（参考訳）: オープンワールドオブジェクト検出(OWOD)では、未知のオブジェクトを確実に識別しながら、既知のカテゴリを段階的に検出する必要がある。 既存の手法は主に未知のリコールを改善することに重点を置いているが、見落としの解釈可能性があり、しばしば未知の混乱と予測信頼性の低下につながる。 本稿では、OWODフレームワーク全体を解釈可能とし、検出器が「未知の知識」を真に理解できるようにすることを目的とする。 そこで本研究では,より高速なR-CNNにおけるRoI機能を識別的,共有的,背景概念に明示的に分解する,OWODのための概念分解モデル(CDM)を導入することにより,概念駆動型OWODフレームワーク(IPOW)を提案する。 識別的概念は、既知のカテゴリ間の距離を拡大する最も識別的な特徴を識別するが、共有概念と背景概念は、その強力な一般化能力により、未知のカテゴリを検出するために容易に転送できる。 解釈可能なフレームワークを活用することで、未知のオブジェクトが既知のクラスの識別的空間に落ちてくると、既知の未知の混乱が生じる。 そこで本研究では,この混乱をさらに解消するために,概念誘導整流法(CGR)を提案する。 大規模な実験によると、IPOWは混乱を緩和しながら未知のリコールを大幅に改善し、既知の予測と未知の予測の両方に対して概念レベルの解釈性を提供する。

関連論文リスト

• Known Meets Unknown: Mitigating Overconfidence in Open Set Recognition [4.377912830814393]
  Open Set Recognition (OSR) は、既知のクラスを正確に分類し、未知のサンプルを効果的に拒否するモデルを必要とする。 未知のサンプルが既知のクラスとセマンティックに類似している場合、特徴空間におけるクラス間オーバーラップは、しばしばモデルに不当に高い信頼を割り当てる。 クラス間重複に起因する過信を明示的に緩和するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T09:56:44Z)
• Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection [3.9890357781493595]
  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。
  論文  参考訳（メタデータ） (2025-09-30T21:48:08Z)
• Open-Set LiDAR Panoptic Segmentation Guided by Uncertainty-Aware Learning [17.188627352236782]
  我々は不確実性誘導型オープンセット・パノプティクス・セグメンテーション・フレームワークであるULOPSを提案する。 我々のアーキテクチャは、不確実性推定を伴うセマンティックセグメンテーションのための分離されたデコーダを組み込んでいる。 推論中、未知のインスタンスを識別および分割するために不確実性推定を利用する。
  論文  参考訳（メタデータ） (2025-06-16T09:03:51Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• 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)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。