0531 每日文献阅读 打卡

Read Data: 0531	Publication: CVPR 2021
Title: Towards Open World Object Detection Participants: K J Josephyz, Salman Khanz, Fahad Shahbaz Khanz, Vineeth N Balasubramanian
Aim: 为了模仿人类在认识物体的本能，解决在测试图像当中未知类别的目标。	Research Question: 1)在没有明确监督的情况下，将未被引入的物体识别为未知的， 2)在逐步接受相应的标签时，在不忘记之前学过的类别的情况下，逐步学习这些已识别的未知类别。
Method: 我们假设学习在目标检测器的隐含空间中学习类别间的明确辨别会有双重影响（two fold effect）。帮助我们实现这一功能的部件是我们提出的在隐含空间中对比聚类。 我们提出了基于候选区域提取网络的（RPN）自标注机[54]来对未知实例进行伪标签标注。隐含空间中对未知实例的自动标注的固有分散度帮助我们的基于能量的分类来进行对已知和未知实例的分类。 残差块对ROI提取特征，并被对比聚类。RPN和分类头被改造成自动标注和可以对应的辨别未知目标。
Results: 实验评估和消融研究分析了ORE方法在开放世界任务中的性能。一个有趣的py-product是，我们我发现识别和表征未知实例有助于减少增量目标检测的混淆性，且此方法没有加入额外的方法技巧上的努力便达到了SOTA性能。		Discussion:
Conclusion: 主要贡献： 引入一个新颖的问题集合：开放世界目标检测，这个模型与现实世界更加接近。 一个新颖的方法，称之为ORE ，基于对比聚类：一种对未知有意识的预选网络，和基于能量的未知识别来应对开放世界检测的挑战。 引入了一个综合的实验数据集来帮助我们衡量目标检测器对开放世界的刻画能力，并给出了ORE与其他性能好的baseline方法的基准参照。 一个有趣的by-product是，提出的方法达到了增量目标检测的SOTA水平，即使该方法不是为了增量目标检测而设计的。			Further: 我们的关键创新包括用于未知检测的基于能量的分类器和用于开放世界学习的对比聚类方法。我们希望我们的工作将在这一重要和开放的方向上引发进一步的研究
Ref: 论文：https://arxiv.org/abs/2103.02603 代码：https://github.com/JosephKJ/OWOD