SGAC-OWOD: 敵対的キャリブレーションによる注目領域ガイドの前景強調を用いたオープンワールド物体検出

オープンワールド物体検出（OWOD）は、既知のクラスを認識するだけでなく、未知の物体を発見し、次のステージでそれらを段階的に学習することを目的としています。OWODでは、複雑な背景の雑音が未知の物体の正確な認識を妨げ、知られたクラスラベルのみの利用がモデルの予測を既知のカテゴリーに偏らせます。これらの問題に対処するため、私たちはSGAC-OWODと呼ばれる新しいOWODフレームワークを提案します。これは、注目領域ガイドの前景強調（SFE）モジュールと、敵対的摂動に基づく分類キャリブレーション（APCC）モジュールの2つの主要コンポーネントで構成されています。SFEでは、クラスに依存しない注目領域の事前知識を導入し、適応型のマルチスケールフィーチャーフュージョンとボックスレベルのフィルタリングを通じて前景表現を強化します。APCCでは、意味的に提案特徴を強化し、摂動の下でのその安定性に基づいて分類の信頼度をキャリブレートするためにマルチステップの敵対的摂動を適用します。これにより、ラベルの偏りを効果的に軽減します。私たちはMS-COCOおよびPASCAL VOCで包括的な評価を行いました。タスク1では、未知の再現率（U-Recall）が43.7%に達し、最先端の方法に対して約7.6%の改善を示しました。さらに、他のベンチマークにおけるクロスデータセット実験も実施しました。私たちの方法は、ほとんどの主要な指標で最良のパフォーマンスを達成し、クロスデータセットの一般化能力をさらに示しました。