XiaoMi-AI文件搜索系统
World File Search SystemOSOD
通过对齐已知类表示
开放式对象检测（OSOD）已成为当代研究方向，以解决对未知对象的检测。最近，很少有作品通过使用Con-Contrastive聚类来分开未知类，在OSOD任务中实现了可观的性能。相比之下，我们提出了一种新的基于语义聚类的方法，以促进语义空间中有意义的群集的对齐，并引入一个类去相关模块以实现群间间的分离。我们的方法进一步不适合对象焦点模块预测对象分数，从而增强了未知对象的检测。此外，我们采用了i）一种评估技术，该技术对低置信度输出进行了惩罚，以减轻对未知对象的错误分类的风险，ii）一种称为HMP的新指标，该指标使用hMP使用Har-nonic Mean结合了已知和未知的精度。我们的广泛实验表明，所提出的模型可以在OSOD任务上对MS-Coco＆Pascal VOC数据集有显着改进。
解决自主驾驶感知的开放式对象检测：关注道路对象
摘要 - 预计自动驾驶汽车（AV）将采取安全有效的决定。因此，AVS需要对现实世界的情况进行健壮，尤其是应付开放世界的设置，即处理新颖性的能力，例如看不见的对象。经典的对象检测模型经过训练，以识别一组预定义的类，但在推理阶段很难概括为新颖的类。开放式对象检测（OSOD）旨在解决正确检测未知类别对象的挑战。但是，自主驾驶系统具有特定的开放式特性，这些特性尚未涵盖OSOD方法。的确，检测误差可能导致灾难性事件，强调优先考虑盒子检测质量而不是数量的重要性。此外，可以利用在公路场景中遇到的物体的特定特征来改善其在开放世界中的检测。在这种情况下，我们介绍了一种新的自主驾驶感知对象的定义，从而实现了AV专业的开放式对象检测器创建的ADO的命题。所提出的模型使用了一个新的分数，该分数从语义分割的背景基础真理中学到了。在道路对象评分上的这一点可以衡量该对象是否在可驱动区域上，从而增强了未知检测的选择。实验评估是在模拟和现实世界数据集上进行的，并揭示我们的方法的表现优于未知对象检测设置中的基线方法，在已知对象上与封闭式对象检测器具有相同的检测性能。