論文の概要: Beyond Known Objects: A Novel Framework for Open-Set Object Detection using Negative-Aware Norm

• arxiv url: http://arxiv.org/abs/2605.02284v1
• Date: Mon, 04 May 2026 07:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.172329
• Title: Beyond Known Objects: A Novel Framework for Open-Set Object Detection using Negative-Aware Norm
• Title（参考訳）: Beyond Beyond Known Objects: Negative-Aware Normを用いたオープンセットオブジェクト検出のための新しいフレームワーク
• Authors: Yuchen Zhang, Yao Lu, Johannes Betz,
• Abstract要約: 本研究では,NAN-SPOTを提案する。NAN-SPOTは,ベースオブジェクト検出器の再トレーニングを必要とせず,オブジェクトの振舞いを推定するフレームワークである。 NAN-SPOTは、重い訓練を必要とする方法よりも、未知のオブジェクト検出の性能が向上する。 この効率性と堅牢性により、NAN-SPOTは自動運転におけるオープンワールドの認識に向けた有望なステップとなる。
• 参考スコア（独自算出の注目度）: 9.59690330728612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-Set Object Detection (OSOD) is crucial for autonomous driving, where perception systems must recognize and localize both known and previously unseen objects in complex, dynamic environments. While recent approaches deliver promising results, they often require retraining the detector extensively to learn objectness, which describes the likelihood that a bounding box tightly encloses a valid object, regardless of whether its category was learned during training. Deviating from existing work, we hypothesize that standard off-the-shelf detectors may already contain helpful cues for objectness, owing to their training on numerous and diverse known categories. Building on this idea, we propose NAN-SPOT, a training-light framework that does not require to retrain the base object detector and estimates objectness by leveraging a hidden layer metric called Negative-Aware Norm (NAN), requiring only minutes of training on just hundreds of images. To support comprehensive evaluation, we introduce COCO-Open, an expanded version of the existing COCO-Mixed dataset, increasing unknown object annotations from 433 to 1853, making it the most exhaustively labeled dataset for OSOD to the best of our knowledge. Experimental results demonstrate that NAN-SPOT achieves even better performance on unknown object detection than methods requiring heavy training, without compromising performance on known objects. This efficiency and robustness make NAN-SPOT a promising step towards open-world perception in autonomous driving.
• Abstract（参考訳）: オープンセットオブジェクト検出(OSOD)は、認識システムが複雑な動的環境において、既知のオブジェクトとこれまで見えないオブジェクトの両方を認識およびローカライズする必要がある自律運転において不可欠である。 近年のアプローチは有望な結果をもたらすが、それらはしばしば、対象性を学ぶために検知器を広範囲に再訓練することを必要とし、これは訓練中にそのカテゴリが学習されたかどうかに関わらず、境界ボックスが有効な対象を密に囲む可能性を記述する。 既存の研究から逸脱して、標準のオフ・ザ・シェルフ検出器は、多くの、そして多様な分野のトレーニングのために、すでにオブジェクト性のための有用な手がかりを含んでいるのではないか、という仮説を立てる。 このアイデアに基づいて、NAN-SPOTというトレーニングライトフレームワークを提案する。これは、ベースオブジェクト検出器を再トレーニングする必要がなく、NAN(Negative-Aware Norm)と呼ばれる隠蔽層メトリクスを利用してオブジェクトを推定する。 包括的評価を支援するため,既存のCOCO-Mixedデータセットの拡張版であるCOCO-Openを導入し,未知のオブジェクトアノテーションを433年から1853年まで増加させた。 実験により, NAN-SPOTは, 未知の物体検出において, 未知の物体に対する性能を損なうことなく, 重い訓練を必要とする方法よりも優れた性能が得られることを示した。 この効率性と堅牢性により、NAN-SPOTは自動運転におけるオープンワールドの認識に向けた有望なステップとなる。

関連論文リスト

• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• 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)
• Incremental Object-Based Novelty Detection with Feedback Loop [18.453867533201308]
  オブジェクトベースのノベルティ検出(ND)は、トレーニング中に見られるクラスに属さない未知のオブジェクトを特定することを目的としている。 従来のNDアプローチでは、事前訓練されたオブジェクト検出出力の1回のオフラインポスト処理に重点を置いていた。 本研究では,予測された出力に対して人間のフィードバックを要求できることを前提として,オブジェクトベースのNDの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） (2023-11-15T14:46:20Z)
• Improved Region Proposal Network for Enhanced Few-Shot Object Detection [23.871860648919593]
  Few-shot Object Detection (FSOD) メソッドは、古典的なオブジェクト検出手法の限界に対する解決策として登場した。 FSODトレーニング段階において,未ラベルの新規物体を正のサンプルとして検出し,利用するための半教師付きアルゴリズムを開発した。 地域提案ネットワーク(RPN)の階層的サンプリング戦略の改善により,大規模オブジェクトに対するオブジェクト検出モデルの認識が向上する。
  論文  参考訳（メタデータ） (2023-08-15T02:35:59Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and Segment Anything Model [14.080744645704751]
  Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。 本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。 また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
  論文  参考訳（メタデータ） (2023-06-04T06:42:09Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
  オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。 我々は,OSODの課題に対処するため,Openset RCNNを提案する。 我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
  論文  参考訳（メタデータ） (2022-11-21T15:00:04Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)

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。