.png){kind=icon}
返回
Causality-Inspired Debiasing Learning for Open World Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3618534.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开放世界目标检测（OWOD）旨在识别训练类别中的已知实例和未知实例。尽管取得了近期进展，现有方法在检测时存在偏向已知类别的现象，因为检测器仅在已知类别的监督下进行训练。为解决此问题，我们构建了一个因果图，从因果角度审视OWOD，揭示该偏差问题主要源于已知类别的混淆效应，以及未知对象与其预测之间的因果关系较弱。因此，我们提出了一种受因果启发的去偏框架用于OWOD，旨在通过消除混淆因素和鼓励适当特征来提升OWOD模型的性能。具体而言，提出了一种语义因果干预模块，用于通过后门调整消除已知类别对未知特征的混淆效应，使已知语义能够公平地与所有未知特征交互。此外，采用了一种未知因果增强模块，用于增强模型获取的未知对象与其预测之间的因果关系，该方法从干预效应的角度采用对比学习范式，在特征空间中对不同未知类别施加约束。在常用OWOD基准上的大量实验表明，与当前最先进的方法相比，我们的框架在未知类别上始终以显著优势（+25.0% UD-Pre，+10.2% 未知类别召回率）产生更优结果，甚至在已知类别上表现更好（+1.4% 已知类别mAP）。
Keyword:
Object detection
open world
causal learning
期刊
IF:
9.7
论文数:
4.7K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏
分享收藏分享收藏
查看更多内容