論文の概要: Detecting Unknown Objects via Energy-based Separation for Open World Object Detection

• arxiv url: http://arxiv.org/abs/2603.29954v1
• Date: Tue, 31 Mar 2026 16:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.852871
• Title: Detecting Unknown Objects via Energy-based Separation for Open World Object Detection
• Title（参考訳）: オープンワールド物体検出のためのエネルギーベース分離による未知物体の検出
• Authors: Jun-Woo Heo, Keonhee Park, Gyeong-Moon Park,
• Abstract要約: オープンワールドオブジェクト検出の課題に対処する新しいフレームワークであるDEUS(Detecting Unknowns via Energy-based separation)を提案する。 Deus は Equiangular Tight Frame (ETF)-Subspace Unknown Separation (EUS) と Energy-based Known Distinction (EKD) の損失で構成されている。 OWODベンチマーク上でDEUSを徹底的に検証し、競合する既知のクラス性能を維持しながら、未知検出における優れた性能向上を実証した。
• 参考スコア（独自算出の注目度）: 20.39851978931329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we tackle the problem of Open World Object Detection (OWOD). This challenging scenario requires the detector to incrementally learn to classify known objects without forgetting while identifying unknown objects without supervision. Previous OWOD methods have enhanced the unknown discovery process and employed memory replay to mitigate catastrophic forgetting. However, since existing methods heavily rely on the detector's known class predictions for detecting unknown objects, they struggle to effectively learn and recognize unknown object representations. Moreover, while memory replay mitigates forgetting of old classes, it often sacrifices the knowledge of newly learned classes. To resolve these limitations, we propose DEUS (Detecting Unknowns via energy-based Separation), a novel framework that addresses the challenges of Open World Object Detection. DEUS consists of Equiangular Tight Frame (ETF)-Subspace Unknown Separation (EUS) and an Energy-based Known Distinction (EKD) loss. EUS leverages ETF-based geometric properties to create orthogonal subspaces, enabling cleaner separation between known and unknown object representations. Unlike prior energy-based approaches that consider only the known space, EUS utilizes energies from both spaces to better capture distinct patterns of unknown objects. Furthermore, EKD loss enforces the separation between previous and current classifiers, thus minimizing knowledge interference between previous and newly learned classes during memory replay. We thoroughly validate DEUS on OWOD benchmarks, demonstrating outstanding performance improvements in unknown detection while maintaining competitive known class performance.
• Abstract（参考訳）: 本研究では,Open World Object Detection (OWOD) の課題に取り組む。 この難しいシナリオでは、ディテクターは、監視なしで未知のオブジェクトを識別しながら忘れることなく、既知のオブジェクトを段階的に分類することを学ぶ必要がある。 以前のOWOD法は未知の発見プロセスを強化し、破滅的な忘れを和らげるためにメモリリプレイを採用した。 しかし、既存の手法は未知の物体を検出するために検出器の既知のクラス予測に大きく依存しているため、未知の物体の表現を効果的に学習し認識することは困難である。 さらに、メモリリプレイは古いクラスの忘れを省く一方で、新しく学んだクラスの知識を犠牲にすることが多い。 これらの制約を解決するために,オープンワールドオブジェクト検出の課題に対処する新しいフレームワークであるDEUS(Detecting Unknowns via Energy-based separation)を提案する。 DEUS は Equiangular Tight Frame (ETF)-Subspace Unknown Separation (EUS) と Energy-based Known Distinction (EKD) の損失で構成されている。 EUSはETFに基づく幾何学的特性を活用して直交部分空間を作成し、未知のオブジェクト表現と未知のオブジェクト表現をきれいに分離することができる。 既知の空間のみを考える以前のエネルギーベースのアプローチとは異なり、EUSは両方の空間からのエネルギーを利用して未知の物体の異なるパターンをよりよく捉えている。 さらに、EKD損失は、前と現在の分類器の分離を強制し、メモリ再生中に、前と新しく学習したクラス間の知識干渉を最小限にする。 OWODベンチマーク上でDEUSを徹底的に検証し、競合する既知のクラス性能を維持しながら、未知検出における優れた性能向上を実証した。

関連論文リスト

• Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model [51.81962097623522]
  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。
  論文  参考訳（メタデータ） (2026-02-24T07:08:47Z)
• 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)
• 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)
• 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)
• Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects [21.426594215463105]
  未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。 GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。 未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
  論文  参考訳（メタデータ） (2023-03-24T02:59:44Z)
• 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)
• More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level [23.98839374194848]
  オープンセットオブジェクト検出(OSOD)は近年注目されている。 我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。 この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
  論文  参考訳（メタデータ） (2022-07-20T09:28:51Z)
• 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)
• Towards Open World Object Detection [68.79678648726416]
  ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。 未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-03T18:58:18Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。