通过多视角自标记新类别发现进行分组协同显著物体检测

发布时间：2024-07-02 15:56:14 栏目：精选知识

导读 主流框架输入一到两组人工标注了像素级和类别标签的图像(例如 Apple 和 Horse)，然后利用这些监督信号以监督学习的方式训练模型，训练出...

主流框架输入一到两组人工标注了像素级和类别标签的图像(例如 Apple 和 Horse)，然后利用这些监督信号以监督学习的方式训练模型，训练出来的模型对已知类别过拟合，无法很好地泛化到新的类别上。



针对上述问题，杨武 等人 于2024年4月15日在 高等教育出版社和施普林格·自然出版社联合出版的《计算机科学前沿》杂志上 发表了他们的新研究成果。

他们提出了一个自标记的NCD框架，可以有效地将已知类别(即Apple)的语义知识迁移到未知类别的聚类中，并能很好地推广到新类别。

本文提出了一种用于 CoSOD 的自标记 NCD 框架，其中通过 SK 算法提出了一种多视角自标记策略，可以有效地将已知类的语义知识迁移到未知类的聚类中，从而提高模型对新类别的泛化能力。此外，他们设计了 DRFM 和 GIM 两个有效的模块，其中 DRFM 用于提取局部紧凑特征，而 GIM 用于最大化组间可分离性。在 Cosal2015、CoSOD3k、CoCA 上进行的大量实验表明，我们的方法在所有评估指标上都取得了优于最新技术的性能，并且速度高达 50 fps。