-
题名基于形状感知与类平衡优化的开放世界目标检测
- 1
-
-
作者
徐阳
苏树智
朱彦敏
王超
-
机构
安徽理工大学计算机科学与工程学院
安徽理工大学机械工程学院
-
出处
《科学技术与工程》
北大核心
2025年第11期4647-4655,共9页
-
基金
国家自然科学基金(52374155)
安徽省高等学校自然科学研究项目(2022AH040113)。
-
文摘
针对开放世界目标检测中未知类目标预测性能不佳的问题,提出了一种基于形状感知与类平衡优化的开放世界目标检测方法。未知类指在训练阶段未标注的类别,由于缺乏标签的指导,未知类目标的检测是一个具有挑战性的任务。构建了一种未知类增强探测器,作为未知类检测分支,在训练阶段只利用已知类标签进行监督,让探测器学习已知类目标特征的相似性,进而推广到未知类目标。为了提高探测器对未知类的敏感度,利用区域生成网络(region proposal network, RPN)模块区分前景和背景的特性,使用特定筛选方式,从RPN输出中选择“具有未知类潜力”的结果作为伪标签参与探测器训练过程。由于缺乏置信度得分,传统非极大值抑制(non-maximum suppression, NMS)方法难以应用于未知目标的后处理,因此设计了一种冗余未知类目标框抑制器,该抑制器由基于中心点的分组策略和基于形状感知冗余度得分矩阵构成。其中基于中心点的分组策略包含三种根据未知类中心点的分组方法,用于确定抑制范围。接着根据组内每一个预测框的冗余度得分构建冗余度得分矩阵,从而抑制高冗余预测结果。在开放世界目标检测数据集上的实验结果表明基于形状感知与类平衡优化的开放世界目标检测方法在保证未知类召回率的同时,具有较高的未知类预测精度。基于形状感知与类平衡优化的开放世界目标检测方法能有效应对开放世界的难题,避免产生大量的无用预测结果。
-
关键词
开放世界目标检测
未知类目标检测
基于中心点的分组策略
形状感知
冗余度得分
-
Keywords
open world object detection
unknown class object detection
center point-based grouping strategy
shape perception
redundancy score
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
