[論文レビュー] Revisiting Open World Object Detection

Xiaowei Zhao, Xianglong Liu+4 more|arXiv (Cornell University)|Jan 3, 2022

Advanced Neural Network Applications被引用数 4

ひとこと要約

本稿は、唯一の既存ベンチマークにおける欠陥を特定し、公正なベンチマーク構築のための5つの基本的原則を提示することで、オープンワールドオブジェクト検出（OWOD）を再考する。未知検出再現率（UDR）および未知検出適合率（UDP）の2つの新しい指標を導入し、非パラメトリックなプロポーザルADバイザー（PAD）とクラス固有の排除分類器（CEC）を備えた新フレームワークを提案。これにより未知オブジェクト検出性能が向上し、過信度が低下する。提案された公正なベンチマーク上での実験により、標準的および新規の指標において最先端の性能を達成した。

ABSTRACT

Open World Object Detection (OWOD), simulating the real dynamic world where knowledge grows continuously, attempts to detect both known and unknown classes and incrementally learn the identified unknown ones. We find that although the only previous OWOD work constructively puts forward to the OWOD definition, the experimental settings are unreasonable with the illogical benchmark, confusing metric calculation, and inappropriate method. In this paper, we rethink the OWOD experimental setting and propose five fundamental benchmark principles to guide the OWOD benchmark construction. Moreover, we design two fair evaluation protocols specific to the OWOD problem, filling the void of evaluating from the perspective of unknown classes. Furthermore, we introduce a novel and effective OWOD framework containing an auxiliary Proposal ADvisor (PAD) and a Class-specific Expelling Classifier (CEC). The non-parametric PAD could assist the RPN in identifying accurate unknown proposals without supervision, while CEC calibrates the over-confident activation boundary and filters out confusing predictions through a class-specific expelling function. Comprehensive experiments conducted on our fair benchmark demonstrate that our method outperforms other state-of-the-art object detection approaches in terms of both existing and our new metrics. Our benchmark and code are available at https://github.com/RE-OWOD/RE-OWOD.

研究の動機と目的

• 既存の唯一のOWODベンチマークにおける根本的欠陥（非論理的な構築、混乱を招く指標、不適切な手法実装）を特定・是正すること。
• OWOD評価における公平性と妥当性を保証するための5つの核心的ベンチマーク原則を確立すること。
• 未知クラスの視点から検出性能を公平に評価できるよう設計された、2つの新評価プロトコル（UDRおよびUDP）を提案すること。
• 未知インスタンスの検出性能を向上させつつ、既知クラスの性能を維持する、新規で効果的なOWODフレームワークを開発すること。
• 新たに構築された公正なベンチマーク上で、提案フレームワークおよび指標の有効性を包括的な実験により検証すること。

提案手法

• 教師なし条件下で正確な未知プロポーザルを特定できる非パラメトリックなプロポーザルADバイザー（PAD）モジュールを導入。これにより、未知オブジェクトの局所化性能が向上する。
• クラス固有の排除関数を用いて活性化境界を再キャリブレーションし、混乱を引き起こす予測をフィルタリングするクラス固有の排除分類器（CEC）を提案。
• PADにおける確認および誘導メカニズムを採用し、プロポーザル品質を精緻化し、背景誤分類を低減する。
• 2段階の訓練プロトコルを設計。RPNはPADによって未知と背景の区別をより良く学習するよう誘導され、CECは既知クラス予測の過信度を低減する。
• ハイパーパramータ感受性分析を用いて、CECのIOU閾値（φ=0.9）および信頼度閾値（α=0.5）を最適化し、適合率とmAPのバランスを最良に保つ。
• 5つの提案原則に基づき、論理的なクラス進行とインクリメンタルタスク間の一貫性を保証する、新たな公正なベンチマークを構築。

実験結果

リサーチクエスチョン

• RQ1 既存のOWODベンチマークおよび評価プロトコルに内在する根本的欠陥は何か。これにより、過去の結果の妥当性がどのように損なわれているか。
• RQ2 オープンワールド学習の定義に整合し、論理的かつ一貫性のあるベンチマークをどのように構築できるか。
• RQ3 未知クラスの視点から検出性能を公正に評価するためには、どのような新指標が必要か。
• RQ4 非パラメトリックモジュール（PAD）は、教師なし条件下でも未知プロポーザル検出性能を向上させることができるか。
• RQ5 クラス固有の排除機構（CEC）は、過信度を効果的に低減し、未知クラスと既知クラスの識別を向上させることができるか。

主な発見

• 提案フレームワークは、新ベンチマーク上においてUDRが21.20、UDPが36.74を達成し、ベースラインのOREモデル（UDR: 20.57、UDP: 16.43）を顕著に上回った。
• PADモジュール単体でもUDRが0.63ポイント向上し、正確な未知プロポーザルの特定における有効性を示した。
• CECモジュールはベースライン比でUDPを14.31ポイント向上させ、未知クラスの識別性能の強化を明確に示した。
• アブレーションスタディの結果、PADおよびCECの両モジュールが独立かつ相乗的に寄与しており、フルモデルが最良の性能を達成した。
• 感受性分析の結果、α=0.5およびφ=0.9の設定下で、mAPが1%以内の低下で抑えられながら、UDPが14.31ポイントの向上を達成した。
• 新ベンチマークおよびコードはhttps://github.com/RE-OWOD/RE-OWODにて公開され、今後の再現可能で公正な研究を支援する。