Entbiasierung von neuartigen Kategorienentdeckung und -lokalisierung

In den letzten Jahren hat die Objekterkennung im Deep Learning eine rasante Entwicklung erlebt. Die meisten bestehenden Objekterkennungsmodelle schneiden jedoch nur bei geschlossenen Datensätzen gut ab und ignorieren eine große Anzahl potenzieller Objekte, deren Kategorien im Trainingssatz nicht definiert sind. Diese Objekte werden oft als Hintergrund identifiziert oder fälschlicherweise den vordefinierten Kategorien zugeordnet. In diesem Papier konzentrieren wir uns auf das herausfordernde Problem der Entdeckung und Lokalisation neuer Klassen (NCDL), mit dem Ziel, Detektoren zu trainieren, die die in den Trainingsdaten vorhandenen Kategorien erkennen können, während sie gleichzeitig aktiv neue Kategorien entdecken, lokalisieren und clustern. Wir analysieren bestehende NCDL-Methoden und identifizieren das Kernproblem: Objekt-Detektoren neigen dazu, auf gesehene Objekte voreingenommen zu sein, was zur Vernachlässigung nicht gesehener Ziele führt. Um dieses Problem anzugehen, schlagen wir zunächst einen Ansatz zur Entbiasierung des Region Mining (DRM) vor, der ein klassenunabhängiges Region Proposal Network (RPN) und ein klassenbewusstes RPN auf komplementäre Weise kombiniert. Darüber hinaus schlagen wir vor, das Repräsentationsnetzwerk durch semi-supervised kontrastives Lernen mithilfe unmarkierter Daten zu verbessern. Schließlich übernehmen wir eine einfache und effiziente Mini-Batch K-Means Cluster-Methode zur Entdeckung neuer Klassen. Wir führen umfangreiche Experimente auf dem NCDL-Benchmark durch, und die Ergebnisse zeigen, dass der vorgeschlagene DRM-Ansatz frühere Methoden erheblich übertrifft und einen neuen Stand der Technik etabliert.