摘要
最近提出的开放世界物体检测和开放集检测在发现前所未见的物体并将其与已知物体区分开来方面取得了突破。然而，这些研究在从已知类别向未知类别进行知识迁移方面的探讨还不够深入，导致对背景中隐藏的未知物体的检测能力较为有限。本文提出了一种未知嗅探器（UnSniffer），用于同时检测未知和已知物体。首先，引入了广义物体置信度（GOC）评分，该评分仅使用已知样本进行监督，避免了对背景中未知物体的不当抑制。重要的是，这种从已知物体中学到的置信度评分可以推广到未知物体上。此外，我们提出了一种负能量抑制损失，以进一步抑制背景中的非物体样本。接下来，在推理过程中由于训练时缺乏未知物体的语义信息，难以获得每个未知物体的最佳边界框。为了解决这一问题，我们引入了一种基于图的确定方案，以替代手工设计的非极大值抑制（NMS）后处理方法。最后，我们发布了未知物体检测基准数据集（Unknown Object Detection Benchmark），据我们所知这是第一个公开的包含未知物体检测精度评估的数据集基准。实验结果表明，我们的方法远优于现有的最先进方法。