检索结果-内蒙古大学图书馆

计算机工程与应用 2025年第8期61卷 215-225页

作者：谢斌红唐彪张睿太原科技大学计算机科学与技术学院太原030024

开放世界目标检测(open world object detection,OWOD)的主要任务是检测已知类别和识别未知目标。此外,模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(open-world detection transformer)中未知类召回率偏低、密集目标与小目标... 详细信息

开放世界目标检测(open world object detection,OWOD)的主要任务是检测已知类别和识别未知目标。此外,模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(open-world detection transformer)中未知类召回率偏低、密集目标与小目标漏检等问题,提出了一种UBA-OWDT(UCSO,BiStrip and AFDF of open-world detection transformer)开放世界目标检测网络。针对未知类召回率偏低的问题,对未知类评分优化(unknown class scoring optimization,UCSO),将生成的浅层类激活图与聚合类激活图融合,获取细粒度特征信息,提高未知类的目标评分,进而提升未知类的召回率;针对小目标漏检问题,将双条状注意力(spatial attention based on strip pooling and strip convolution,BiStrip)应用于输入特征图,捕获长程依赖,保留目标精确的位置信息,增强感兴趣目标的表征,以检测小目标;针对密集目标漏检问题,采用自适应特征动态融合(adaptive feature dynamic fusion,AFDF),根据目标大小和形状,获得不同的感受野,动态分配注意力权重,关注目标的重要部分,融合不同层级的特征,以检测密集目标。在OWOD数据集的实验结果表明,未知类召回率增值范围在0.7~1.5个百分点,mAP增值范围在0.6~1.2个百分点,与现有的开放世界目标检测方法相比,在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词：开放世界目标检测自适应特征动态融合未知类评分优化注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于偏移过滤与未知特征强化的开放世界目标检测

引用

计算机应用研究 2025年第2期42卷 618-622页

作者：王超苏树智朱彦敏徐阳安徽理工大学计算机科学与工程学院安徽淮南232001 安徽理工大学机电工程学院安徽淮南232001

开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏... 详细信息

开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

关键词：开放世界目标检测自适应得分未知目标特征强化偏移过滤

来源：评论

学校读者我要写书评

暂无评论

基于形状感知与类平衡优化的开放世界目标检测

引用

科学技术与工程 2025年第11期25卷 4647-4655页

作者：徐阳苏树智朱彦敏王超安徽理工大学计算机科学与工程学院淮南232001 安徽理工大学机械工程学院淮南232001

针对开放世界目标检测中未知类目标预测性能不佳的问题,提出了一种基于形状感知与类平衡优化的开放世界目标检测方法。未知类指在训练阶段未标注的类别,由于缺乏标签的指导,未知类目标的检测是一个具有挑战性的任务。构建了一种未知类... 详细信息

针对开放世界目标检测中未知类目标预测性能不佳的问题,提出了一种基于形状感知与类平衡优化的开放世界目标检测方法。未知类指在训练阶段未标注的类别,由于缺乏标签的指导,未知类目标的检测是一个具有挑战性的任务。构建了一种未知类增强探测器,作为未知类检测分支,在训练阶段只利用已知类标签进行监督,让探测器学习已知类目标特征的相似性,进而推广到未知类目标。为了提高探测器对未知类的敏感度,利用区域生成网络(region proposal network, RPN)模块区分前景和背景的特性,使用特定筛选方式,从RPN输出中选择“具有未知类潜力”的结果作为伪标签参与探测器训练过程。由于缺乏置信度得分,传统非极大值抑制(non-maximum suppression, NMS)方法难以应用于未知目标的后处理,因此设计了一种冗余未知类目标框抑制器,该抑制器由基于中心点的分组策略和基于形状感知冗余度得分矩阵构成。其中基于中心点的分组策略包含三种根据未知类中心点的分组方法,用于确定抑制范围。接着根据组内每一个预测框的冗余度得分构建冗余度得分矩阵,从而抑制高冗余预测结果。在开放世界目标检测数据集上的实验结果表明基于形状感知与类平衡优化的开放世界目标检测方法在保证未知类召回率的同时,具有较高的未知类预测精度。基于形状感知与类平衡优化的开放世界目标检测方法能有效应对开放世界的难题,避免产生大量的无用预测结果。

关键词：开放世界目标检测未知类目标检测基于中心点的分组策略形状感知冗余度得分

来源：评论

学校读者我要写书评

暂无评论

基于平滑性无监督领域自适应的开放世界目标检测

引用

武汉大学学报(理学版) 2024年

作者：黄正翔李书玮齐恺蔡杰超徐锲卢笑吴成中王耀南湖南师范大学工程与设计学院智能传感与康复机器人湖南省高校重点实验室江西省通讯终端产业技术研究院有限公司

开放世界目标检测（Open World Object Detection, OWOD）旨在检测环境中的未见目标，是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测，直接将在已知类别上训练的检测器泛化到检测其他的未知前... 详细信息

开放世界目标检测（Open World Object Detection, OWOD）旨在检测环境中的未见目标，是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测，直接将在已知类别上训练的检测器泛化到检测其他的未知前景目标上。然而这种方法使检测器偏向检测已知类别，从而难以识别全部未知目标。对此，提出了一种基于平滑性无监督领域自适应的开放世界目标检测方法。首先，利用二阶段目标检测Faster RCNN为每一张图像生成候选区域，将目标得分高与目标得分极低的候选区域作为源域，将剩余候选区域作为目标域。然后，采用平滑性无监督领域自适应方法，学习前后景分类器，该方法通过引入平滑域对抗训练过程，能有效地提高域对抗方法在分类任务中的性能，实现对已知和未知类别的前景目标无偏向预测。本文在MS-COCO数据集以及自行构建的化学实验器材检测数据集上评估模型的性能。实验表明，相比于直接选择置信度最高的预测，本文提出的方法能更好地平衡已知和未知目标的检测，提高检测器的整体性能。

关键词：开放世界目标检测无监督领域自适应域对抗训练平滑度增强

来源：评论

学校读者我要写书评

暂无评论

梯度区分与特征范数驱动的开放世界目标检测

引用

计算机应用 2024年

作者：张英俊闫薇薇谢斌红张睿陆望东太原科技大学计算机科学与技术学院山西天河云计算有限公司

开放世界目标检测(Open-World Object Detection,OWOD)将目标检测任务拓展至真实多变的环境中，要求模型能够准确识别已知和未知对象，并逐步学习新知识。针对现有开放世界目标检测方法中未知类的召回率偏低和误识别的问题，提出了一种... 详细信息

开放世界目标检测(Open-World Object Detection,OWOD)将目标检测任务拓展至真实多变的环境中，要求模型能够准确识别已知和未知对象，并逐步学习新知识。针对现有开放世界目标检测方法中未知类的召回率偏低和误识别的问题，提出了一种梯度区分与特征范数驱动的开放世界目标检测研究方法(Gradient-discriminative and feature norm-driven open-world object detection,GDFN-OWOD)。针对未知类召回率偏低的问题，提出梯度区分性表征模块(Gradient-DiscriminativeRepresentation Module,GDRM)，利用反向传播的梯度差异准确区分未知类别和背景，以提高未知类召回率；此外，引入基于图分割的框聚类算法(Graph-Based Segmentation for Bounding Box Clustering,GSBC)，将物体边界框的确定建模为图分解问题，减少冗余的边界框，进而减少模型的计算量；针对未知类误识别问题，采用基于特征范数的分类器(FeatureNorm-Based Classifier,FN-BC)，选择性能最优的卷积层识别已知和未知类别，以达到更高的识别准确率。在OWOD数据集上的实验结果表明，在T1、T2、T3任务中未知类召回率分别提升了1.1、2.1、0.9个百分点，绝对开集误差(A-OSE)分别降低了35.1%,28.7%,12.2%。与现有的开放世界目标检测方法相比，有效缓解了未知类的召回率偏低和误识别的问题。

关键词：开放世界目标检测反向传播梯度图分割算法特征范数卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于特征解耦的开放世界目标检测

引用

重庆理工大学学报（自然科学） 2023年第10期37卷 166-173页

作者：田霖李华李林轩白传澳长春理工大学计算机科学技术学院长春130022

开放世界目标检测是一项具有挑战性的视觉任务,填补了传统目标检测与真实世界目标检测的差距。与有限类别集合设定下的传统方法不同,开放世界目标检测不仅需识别和检测已知(可见)类别的目标,还要能够标记并逐渐学习未知(不可见)类别的... 详细信息

开放世界目标检测是一项具有挑战性的视觉任务,填补了传统目标检测与真实世界目标检测的差距。与有限类别集合设定下的传统方法不同,开放世界目标检测不仅需识别和检测已知(可见)类别的目标,还要能够标记并逐渐学习未知(不可见)类别的目标。当传统的目标检测技术直接应用于开放世界场景时,常出现2个主要问题:其一,可能会将未知类视为背景而忽视;其二,可能将未知类错误地归类为已知类。为解决这些问题,提出采用退火算法分离已知与未知的特征,指导检测模型的学习过程。由于退火模块的引入,未知类精度有所提升,但已知类的精度略有下降,因此引入高效通道注意力模块提高已知类精度。与以往方法相比,该策略在检测已知类和未知类的目标上均表现出更优的性能。

关键词：开放世界目标检测开放集识别退火算法未知目标

来源：评论

学校读者我要写书评

暂无评论

基于稳健优化的开放世界目标检测方法研究

基于稳健优化的开放世界目标检测方法研究

引用

作者：张鹏举太原科技大学

学位级别：硕士

常规的目标检测方法通常设定在封闭世界的假设中,在特定的数据集上进行训练,学习固定数量的目标类别,并应用于特定场景。随着信息时代的发展,产品更新换代的速度加快,传统的目标检测算法难以在实际场景中灵活应用。基于此,开放世界目标... 详细信息

常规的目标检测方法通常设定在封闭世界的假设中,在特定的数据集上进行训练,学习固定数量的目标类别,并应用于特定场景。随着信息时代的发展,产品更新换代的速度加快,传统的目标检测算法难以在实际场景中灵活应用。基于此,开放世界目标检测(Open World Object Detection,OWOD)这一设定于2021年被Joseph KJ等人首次提出,其突破了主流基准中的封闭假设,将目标检测模型应用到开放领域中。该设定的主要任务是:(1)在没有明确标注时,将尚未学习的目标判别为“未知”;(2)当对应标签加入后,逐渐地学习已引入的“未知”目标的类别,且不遗忘之前学习到的类别信息。由于OWOD的设定比现有的封闭世界静态学习设置更贴近实际场景,因此受到了研究学者的广泛关注。为了更好的提升开放世界目标检测的性能,本文利用深度学习方法做了如下工作:(1)针对现有的开放世界目标检测方法ORE(Open woRld object d Etection)存在的未知目标召回率低以及增量学习的灾难性遗忘等问题,研究了基于图特征金字塔和稳健优化的开放世界目标检测方法(Adjustable Robust Optimization of ORE based on Graph Feature Pyramid,GARO-ORE)。该方法首先利用Graph-FPN中的超像素图像特性,帮助模型准确定位未知目标并获取丰富的语义信息;然后利用稳健优化方法对不确定性综合考量,极大限度地保证模型在学习新类别的同时避免遗忘先前学习到的类别知识;最后,采用基于知识迁移的分类权值初始化方法提高模型对新类别的适应性。在OWOD数据集上的实验结果表明,GARO-ORE在未知类别召回率上取得较优的检测结果,在10+10,15+5和19+1三种增量目标检测任务中,其m AP指标分别提升了1.38%,1.42%,1.44%。(2)针对GARO-ORE中只考虑了提升模型的检测性能,而忽略了模型的检测效率,研究了基于GA-RPN的轻量化开放世界目标检测方法(Lightweight open world Object detection based on GA-RPN,GAR-LORE)。该方法首先利用深度可分离卷积替换传统卷积来优化特征提取网络;然后利用基于空间注意力机制的GA-RPN提供了一套固定数量的候选区域,轻量化提取出图像中的目标候选区域;最后采用DIOU优化目标回归。在OWOD数据集上的实验结果表明,GAR-LORE能够较好的提高未知目标检测的召回率,并且能够轻量化完成OWOD任务。(3)从软件工程的角度出发,开发了一套开放世界目标检测系统,对本文所提出的开放世界目标检测模型进行封装,采用B/S架构模式设计系统,使用Layui+django+Spring Boot等技术进行系统开发,将开放世界目标检测应用于现实场景中。

关键词：开放世界目标检测图特征金字塔网络平坦极小值知识迁移稀疏目标检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的开放世界目标检测方法研究

基于深度学习的开放世界目标检测方法研究

引用

作者：崔雨太原科技大学

学位级别：硕士

传统目标检测模型大多基于封闭世界假设,其核心在于对已知目标进行精确定位和标注。这类模型在处理未知类别时往往表现不佳,常将未知实例视为背景或错误分类,导致在实际应用中面临重大挑战。鉴于现实世界中未知类别的不断涌现,开放世界... 详细信息

传统目标检测模型大多基于封闭世界假设,其核心在于对已知目标进行精确定位和标注。这类模型在处理未知类别时往往表现不佳,常将未知实例视为背景或错误分类,导致在实际应用中面临重大挑战。鉴于现实世界中未知类别的不断涌现,开放世界目标检测的研究显得尤为迫切。为了更好的提升开放世界目标检测的性能,本文利用深度学习方法做了如下工作: (1)为了解决现有开放世界目标检测算法ORE(Open World Object Detector)在未知类别召回率较低以及聚类性能较差的问题,在ORE的基础上提出了新模型SAC-ORE(Semantic Feature Guided Anchor and Additional Unsupervised Comparative Clustering)。首先,该模型引入了基于语义特征引导的锚框生成策略SFGA(Semantic Feature Guided Anchor),用于生成更有针对性和准确性的候选区域,从而提高未知类的召回率;其次,引入了AUC(Attach Unsupervised Contrastive Clustering)模块。该模块通过将鲁棒性学习与半监督算法Mix Match相结合,对ORE对比聚类后的样本标签进行多次迭代重新训练,有效地缓解了由于低熵预测引起的过度自信问题,从而提高了聚类性能。在OWOD数据集上的实验结果表明,SAC-ORE在U-recall指标上取得了显著提升,并在m AP值上也有明显改进。 (2)尽管SAC-ORE解决了ORE的某些不足,但对增量学习过程中的灾难性遗忘问题并未提出充分解决方案。因此,在SAC-ORE的基础上进一步提出了一种基于师生网络的TSN-GORE Teacher And Student Network-Grid R-CNN ORE)模型。该模型首先利用SFGA自动标记未知目标,并将其纳入训练;然后通过潜在空间中的对比聚类增强已知和未知类别的判别性。接着采用基于自注意力机制的回归网络确定未知类的具体位置;最后通过师生网络进行增量学习,实现了对未知类别的有效识别。在OWOD数据集上的实验结果表明,TSN-GORE模型方法明显优于ORE和SAC-ORE模型。 (3)本研究还从软件工程的角度出发,构建了一个基于深度学习的开放世界目标检测系统。系统采用B/S架构模式,使用python语言和Fast API进行开发,将开放世界目标检测技术应用于现实场景。

关键词：开放世界目标检测锚框生成策略SFGA 半监督算法对比聚类增量学习

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv5的开放世界目标检测研究

基于YOLOv5的开放世界目标检测研究

引用

作者：万谦武汉邮电科学研究院

学位级别：硕士

当前,各种基于深度学习的模型大都基于封闭世界假设,在测试时只考虑检测训练集目标。当测试集中出现非训练集目标时,这些模型会将非训练集目标误检为训练集目标,导致模型性能下降。为了摆脱基于封闭世界假设模型在开放环境中会出现误检... 详细信息

当前,各种基于深度学习的模型大都基于封闭世界假设,在测试时只考虑检测训练集目标。当测试集中出现非训练集目标时,这些模型会将非训练集目标误检为训练集目标,导致模型性能下降。为了摆脱基于封闭世界假设模型在开放环境中会出现误检的局限性,提高模型的健壮性,本文通过分析现有经典目标检测模型的工作原理,指出了它们误检非训练集目标的原因;以实际应用为导向,重构了开放世界目标检测的数据集,使训练集中没有包含未知类的图像,并设定了评估指标;通过在训练中引入标签平滑,以及在测试中使用提出的基于NMS的阈值校准来校正误检的未知类,将YOLOv5模型扩展用于开放世界目标检测,验证了提出模型及其模块的有效性。本文主要研究内容如下: (1)分析经典目标检测模型的工作机制及误检原因。将经典目标检测模型识别目标的方式归纳为三类,并对其工作机制进行分析后,指出它们误检开放世界中非训练集目标的原因是过拟合训练集目标的特征,需要避免其过拟合训练集目标的特征。 (2)重构开放世界目标检测数据集。为了进行开放世界目标检测研究,定量评估模型性能,建模了开放世界目标检测任务,针对现有可见开放世界目标检测文献的训练集中存在未知类,不利于仿真实际应用的问题,基于MS COCO重构了训练集中不存在未知类的开放世界目标检测数据集,引入Recall作为未知类的性能评估指标。 (3)设计并验证开放世界目标检测模型。针对模型对训练集目标特征过拟合的问题,引入标签平滑和阈值校准技术,利用非训练集目标对标签平滑更加敏感的特性,使用标签平滑分离训练集目标和非训练集目标的预测概率密度,通过阈值校准校正误检的非训练集目标,所提出的后处理方法可应用于任何目标检测模型;在开放世界目标检测任务上的实验证实了提出模型的有效性,非训练集目标的检测精度超过了目前最先进的开放世界目标检测模型,在开放集目标检测任务上的实验验证了标签平滑的有效性。

关键词：开放世界目标检测开放世界目标检测数据集标签平滑阈值校准 YOLOv5 目标检测计算机视觉

来源：评论

学校读者我要写书评

暂无评论

基于语义关系的开放世界目标检测算法研究

基于语义关系的开放世界目标检测算法研究

引用

作者：张日民电子科技大学

学位级别：硕士

开放世界目标检测是计算机视觉领域近几年新兴且具有挑战性的研究方向,旨在建立一个可信的目标检测视觉系统,在开放动态的真实场景下不仅能够准确预测已知类对象,还要识别未知实例并在接收新注释后进行增量学习,在公共安全、自动驾驶、... 详细信息

开放世界目标检测是计算机视觉领域近几年新兴且具有挑战性的研究方向,旨在建立一个可信的目标检测视觉系统,在开放动态的真实场景下不仅能够准确预测已知类对象,还要识别未知实例并在接收新注释后进行增量学习,在公共安全、自动驾驶、医疗诊断等领域都有广阔的应用前景。开放世界目标检测任务对传统目标检测器提出两个核心挑战,即未知类别的有效识别问题和增量学习过程中的灾难性遗忘问题。针对当下开放世界目标检测任务的特点和挑战,本文基于深度学习理论提出一种有效的开放世界目标检测统一框架,主要研究内容和贡献如下: 1、基于语义关系的表征学习方法。本文指出传统闭集目标检测算法建立的封闭特征空间在开放世界设置下存在的问题,提出一种基于语义关系的表征学习方法。该方法结合Transformer架构的目标检测算法和预训练语言-图像模型,通过语义映射网络和表征学习建立起具有类内紧凑性、可扩展性以及一致性的开放世界语义特征空间,将未知类识别、增量学习等不同模块映射到统一视角,在整个过程中增强模型的探索性和适应性以及保证特征空间的判别性和一致性。 2、基于语义相似度的未知类识别方法。未知类识别是开放世界目标检测任务的核心问题,其主要挑战在于未知类别监督信息的缺失和传统闭集目标检测算法趋向于把未知类识别为背景。本文提出一种基于语义相似度的未知类识别方法,在建立的开放世界语义特征空间基础上,通过已知类、未知类和背景类之间的整体语义特征相似度响应关系同时实现前景分离和未知类识别。该方法在训练过程中无需为未知类赋予低置信度伪标签,且由于语义关系的稳定性和一致性,在显著提升未知类识别性能的同时具有更强的泛化性和鲁棒性。 3、基于动态高效样本采样的数据回放方法。针对目前开放世界目标检测增量学习中数据回放策略的问题和特点,本文提出一种动态高效的回顾样本采样方法,利用模型训练过程中的中间计算结果挖掘特征空间流形边界附近的困难样本和语义锚点附近的代表样本,通过动态样本整合实现旧类别知识的完整高效表达。 4、基于双向知识传递的增量学习方法。受到人类学习和记忆机制的启发,本文提出了一种基于语义相关性的双向知识传递增量学习方法,通过分析类别间的语义关系动态计算知识转移映射矩阵,实现新旧类别知识精确高效的迁移和整合,利用知识前向传播和后向回溯双向机制保证模型在开放环境中的适应性和稳定性。

关键词：开放世界目标检测语义关系未知类识别增量学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：