.png){kind=icon}
返回
Localizing Open World Objects Using Self-learned Latent Keypoints
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-93691-3_5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检测模型在训练期间未见过的对象类别实例，在多个下游计算机视觉任务中具有关键应用。然而，传统目标检测器并非设计用于检测未见过的开放世界对象类别。通过改进模型的通用对象性标准可以提升未见类别的性能，但这容易导致对已知类别的过拟合。我们提出了一种基于自我学习潜在关键点（Self-LKP）的训练方法，引导传统目标检测模型学习类别无关权重。具体而言，我们的方法允许模型通过学习每个对象边界内的潜在关键点来融入对象性线索，这有助于提升模型检测和定位通用对象的能力。我们在三个知名目标检测数据集上，使用单阶段和双阶段检测器对提出的交叉类别和交叉数据集设置进行了全面评估。提出的Self-LKP方法在使用单阶段目标检测器时，将未见对象类别的平均召回率提升了7.2%。
Keyword:
Object Detection
Object Localization
Keypoints
Class-agnostic
Self-learning
期刊
C
IF:
0
论文数:
33
被引数:
0
机构
暂无机构信息
引用论文
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
.png){kind=icon}
OAAI分享收藏
分享收藏分享收藏
查看更多内容