論文の概要: Towards Sparsely Annotated Open-World Object Detection

• arxiv url: http://arxiv.org/abs/2608.12714v1
• Date: Thu, 13 Aug 2026 01:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.363373
• Title: Towards Sparsely Annotated Open-World Object Detection
• Title（参考訳）: 簡潔な注釈付きオープンワールドオブジェクト検出に向けて
• Abstract要約: 現実世界の物体検出は曖昧な監督の下で機能する。 ラベルのない領域は、既知のオブジェクトや真に未知のカテゴリのアノテーションの欠如に対応できる。 Sparsely Annotated Open-World Object Detection (SA-OWOD) を提案する。
• 参考スコア（独自算出の注目度）: 3.848846022367752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world object detection operates under ambiguous supervision, where unlabeled regions may correspond to missing annotations of known objects or genuinely unknown categories. These challenges have been addressed separately in Sparsely Annotated Object Detection (SAOD) and Open-World Object Detection (OWOD). In practice, their co-occurrence remains an open problem. To address this problem, we introduce Sparsely Annotated Open-World Object Detection (SA-OWOD), a new task that jointly considers sparse supervision and the presence of unseen categories. We propose Dual-Perspective Object Discovery (DPOD), a unified framework that jointly models unlabeled known and unknown instances via two complementary mechanisms. The Known Target Recovery Module (KTRM) recovers supervision for unlabeled known instances and explicitly regularizes the feature space to separate known and unknown representations. Complementarily, the Dual-Disagreement Target Generator (DDTG) identifies reliable unknown candidates through cross-view semantic inconsistency. By integrating these modules, DPOD resolves contradictory supervision signals caused by ambiguous unlabeled regions. As a result, it prevents misclassification between known and unknown objects and stabilizes the decision boundaries. Experimental results on sparsely annotated open-world benchmarks demonstrate that the proposed method outperforms existing open-world detection methods, particularly in detecting unknown objects.
• Abstract（参考訳）: 実世界のオブジェクト検出は曖昧な監視の下で動作し、ラベルのない領域は、既知のオブジェクトのアノテーションや、真に未知のカテゴリに対応する。 これらの課題は、Sparsely Annotated Object Detection (SAOD) と Open-World Object Detection (OWOD) で別途解決されている。 実際には、彼らの共起は未解決の問題である。 この問題を解決するために,スパース・アノテート・オープンワールド・オブジェクト検出(SA-OWOD)を導入した。 2つの相補的なメカニズムを用いて、ラベルのない未知のインスタンスを共同でモデル化する統合フレームワークであるDual-Perspective Object Discovery (DPOD)を提案する。 Known Target Recovery Module (KTRM)は、未ラベルの既知のインスタンスの監視を回復し、特徴空間を明示的に正規化し、既知の表現と未知の表現を分離する。 相補的に、DDTG(Dual-Disagreement Target Generator)は、クロスビューなセマンティックな矛盾を通じて、信頼できる未知の候補を特定する。 これらのモジュールを統合することで、DPODは曖昧な未標識領域によって引き起こされる矛盾する監視シグナルを解消する。 その結果、既知のオブジェクトと未知のオブジェクトの誤分類を防止し、決定境界を安定化させる。 少ないアノテートされたオープンワールドベンチマーク実験の結果,提案手法は既存のオープンワールド検出法,特に未知の物体の検出において優れていた。

関連論文リスト

• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• Detecting Unknown Objects via Energy-based Separation for Open World Object Detection [20.39851978931329]
  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。
  論文  参考訳（メタデータ） (2026-03-31T16:20:56Z)
• 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)
• 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)
• 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)
• CAT: LoCalization and IdentificAtion Cascade Detection Transformer for Open-World Object Detection [17.766859354014663]
  オープンワールドオブジェクト検出には、既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ために、既知のオブジェクトのデータからトレーニングされたモデルが必要である。 CAT: LoCalization and IdentificAtion Cascade Detection Transformerを提案する。 我々のモデルはOWOD, インクリメンタルオブジェクト検出(IOD), オープンセット検出といったタスクにおけるすべての指標において, 最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T09:11:16Z)
• 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)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• 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)

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。