論文の概要: Towards Adaptive Open-Set Object Detection via Category-Level Collaboration Knowledge Mining

• arxiv url: http://arxiv.org/abs/2604.11195v1
• Date: Mon, 13 Apr 2026 08:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.440125
• Title: Towards Adaptive Open-Set Object Detection via Category-Level Collaboration Knowledge Mining
• Title（参考訳）: カテゴリーレベル協調知識マイニングによる適応的オープンセットオブジェクト検出に向けて
• Authors: Yuqi Ji, Junjie Ke, Lihuo He, Lizhi Wang, Xinbo Gao,
• Abstract要約: 既存のオブジェクト検出器は、新しいカテゴリに適応しながら、ドメインをまたいだ一般化に苦慮することが多い。 ドメイン間のクラス間関係とクラス内関係を両立させる,カテゴリレベルの協調知識マイニング戦略を提案する。 我々の手法は、最先端の AOOD 法を 1.1-5.5 mAP で一貫して上回っている。
• 参考スコア（独自算出の注目度）: 54.999230823851384
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing object detectors often struggle to generalize across domains while adapting to emerging novel categories. Adaptive open-set object detection (AOOD) addresses this challenge by training on base categories in the source domain and adapting to both base and novel categories in the target domain without target annotations. However, current AOOD methods remain limited by weak cross-domain representations, ambiguity among novel categories, and source-domain feature bias. To address these issues, we propose a category-level collaboration knowledge mining strategy that exploits both inter-class and intra-class relationships across domains. Specifically, we construct a clustering-based memory bank to encode class prototypes, auxiliary features, and intra-class disparity information, and iteratively update it via unsupervised clustering to enhance category-level knowledge representation. We further design a base-to-novel selection metric to discover source-domain features related to novel categories and use them to initialize novel-category classifiers. In addition, an adaptive feature assignment strategy transfers the learned category-level knowledge to the target domain and asynchronously updates the memory bank to alleviate source-domain bias. Extensive experiments on multiple benchmarks show that our method consistently surpasses state-of-the-art AOOD methods by 1.1-5.5 mAP.
• Abstract（参考訳）: 既存のオブジェクト検出器は、新しいカテゴリに適応しながら、ドメインをまたいだ一般化に苦慮することが多い。 Adaptive Open-set Object Detection (AOOD)は、ソースドメインのベースカテゴリをトレーニングし、ターゲットドメインのベースカテゴリと新規カテゴリの両方にターゲットアノテーションなしで適応することで、この問題に対処する。 しかし、現在のAOOD法は、弱いクロスドメイン表現、新しいカテゴリ間のあいまいさ、ソースドメインの特徴バイアスによって制限されている。 これらの課題に対処するために、ドメイン間のクラス間関係とクラス内関係を両立するカテゴリレベルの協調知識マイニング戦略を提案する。 具体的には、クラスタリングベースのメモリバンクを構築し、クラスプロトタイプ、補助機能、クラス内格差情報をエンコードし、非教師なしクラスタリングによって反復的に更新し、カテゴリレベルの知識表現を強化する。 さらに、新しいカテゴリに関連するソースドメインの特徴を発見し、新しいカテゴリ分類器を初期化するため、ベース・ツー・ノーベル・セレクション・メトリックを設計する。 さらに、適応的特徴割り当て戦略は、学習したカテゴリレベルの知識を対象ドメインに転送し、ソースドメインバイアスを軽減するためにメモリバンクを非同期に更新する。 複数のベンチマーク実験により,本手法は最先端のAOOD法を1.1-5.5mAPで連続的に上回っていることがわかった。

関連論文リスト

• 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)
• Polycentric Clustering and Structural Regularization for Source-free Unsupervised Domain Adaptation [20.952542421577487]
  Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。 既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。 本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
  論文  参考訳（メタデータ） (2022-10-14T02:20:48Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
  教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
  論文  参考訳（メタデータ） (2022-04-05T11:17:19Z)
• Towards Novel Target Discovery Through Open-Set Domain Adaptation [73.81537683043206]
  オープンソースドメイン適応(OSDA)は、ターゲットドメインが外部のソースドメインでは観察できない新しいカテゴリのサンプルを含むと考えている。 対象領域に見られるカテゴリを正確に識別し,未知のカテゴリのセマンティクス特性を効果的に回復するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-06T04:22:29Z)
• Learning a Domain Classifier Bank for Unsupervised Adaptive Object Detection [48.19258721979389]
  本稿では,ディープネットワークに基づく物体検出のための細粒度領域アライメント手法を提案する。 そこで我々は,適応検出器として細粒度領域アライメント機構を備えた素物体検出器を開発した。 3つの一般的な転送ベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-06T09:12:46Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。