[论文解读] Revisiting Open World Object Detection

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

Advanced Neural Network Applications被引用 4

一句话总结

本文通過識別單一現有基線的缺陷，重新審視開放世界目標檢測（OWOD），並提出五項公平基準構建的基礎原則。提出兩種新指標——未知檢測召回率（UDR）與未知檢測精確率（UDP）——以及一種新框架，包含非參數化提案指導器（PAD）與特定類別驅逐分類器（CEC），可提升未知對象檢測效果並降低過度自信。在所提出的公平基準上進行的實驗顯示，該方法在標準與新指標上均達到了最尖端的性能。

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.

研究动机与目标

• 識別並修正現有OWOD基準中根本性的缺陷，包括不合邏輯的構建方式、混淆的指標與不恰當的方法實現。
• 建立五項核心基準評估原則，以確保OWOD評估的公平性與有效性。
• 提出兩種新的評估協定——UDR與UDP——專為從未知類別視角評估檢測性能而設計。
• 開發一種新型且有效的OWOD框架，以提升未知樣本檢測效果，同時維持已知類別的性能。
• 透過在新構建的公平基準上進行全面實驗，驗證所提出框架與指標。

提出的方法

• 提出一種非參數化提案指導器（PAD）模組，協助RPN在無監督情況下識別準確的未知提案，提升未知對象的定位效果。
• 提出一種特定類別驅逐分類器（CEC），利用特定類別的驅逐函數重新校準激活邊界，過濾掉混淆的預測結果。
• 在PAD中採用確認與引導機制，以優化提案品質並減少背景誤分類。
• 設計兩階段訓練協定：PAD引導RPN更好區分未知與背景，而CEC則降低已知類別預測的過度自信。
• 透過超參數敏感度分析，調校CEC的IOU閾值（φ=0.9）與信心閾值（α=0.5），以在精確率與mAP之間取得最佳平衡。
• 基於五項提出原則構建新基準，確保邏輯清晰的類別進展與跨增量任務的一致性評估。

实验结果

研究问题

• RQ1 現有OWOD基準與評估協定中存在哪些根本性缺陷，導致先前結果的有效性受到質疑？
• RQ2 如何構建一個公平且邏輯一致的OWOD基準，以確保與開放世界學習定義的一致性？
• RQ3 需要哪些新評估指標，才能公平地從未知類別視角評估檢測性能？
• RQ4 非參數化模組如PAD是否能無監督地提升未知提案檢測效果？
• RQ5 特定類別驅逐機制（CEC）是否能有效降低過度自信，並提升未知與已知類別之間的區分能力？

主要发现

• 所提出框架在新基準上達到UDR 21.20與UDP 36.74，顯著優於基線ORE模型（UDR: 20.57, UDP: 16.43）。
• 僅使用PAD模組即使UDR提升0.63分，證明其在識別準確未知提案方面的有效性。
• CEC模組相較基線使UDP提升14.31分，顯示其在提升未知區分能力方面的顯著效果。
• 消融實驗確認PAD與CEC均具獨立且協同貢獻，完整模型達成最佳性能。
• 敏感度分析顯示，當α=0.5且φ=0.9時，模型mAP僅下降1%以內，同時實現14.31分的UDP提升。
• 新基準與程式碼已公開發布於 https://github.com/RE-OWOD/RE-OWOD，以支援未來可重現且公平的研究。