Détecteur Inconnu pour la Détection d'Objets : Ne Pas Fermer les Yeux sur les Objets Inconnus

Les récentes propositions de détection d'objets dans un monde ouvert et de détection en ensemble ouvert ont réalisé une percée importante dans la découverte d'objets jamais vus auparavant et leur distinction par rapport aux objets connus. Cependant, leurs études sur le transfert de connaissances des classes connues vers les classes inconnues ne sont pas suffisamment approfondies, ce qui entraîne une capacité limitée à détecter les objets inconnus cachés dans l'arrière-plan. Dans cet article, nous proposons l'Unknown Sniffer (UnSniffer) pour trouver à la fois des objets inconnus et connus. Premièrement, nous introduisons le score de confiance généralisée des objets (Generalized Object Confidence, GOC), qui n'utilise que des échantillons connus pour la supervision et évite la suppression inappropriée des objets inconnus dans l'arrière-plan. De manière significative, ce score de confiance appris à partir d'objets connus peut être généralisé aux objets inconnus. En outre, nous proposons une perte de suppression d'énergie négative pour réduire davantage les échantillons non-objets dans l'arrière-plan. Ensuite, durant l'inférence, il est difficile d'obtenir la meilleure boîte englobante pour chaque objet inconnu en raison du manque d'informations sémantiques lors de l'apprentissage. Pour résoudre ce problème, nous introduisons un schéma de détermination basé sur les graphes afin de remplacer le post-traitement de suppression non maximale (Non-Maximum Suppression, NMS) conçu manuellement. Enfin, nous présentons le Benchmark de Détection d'Objets Inconnus (Unknown Object Detection Benchmark), qui constitue selon nos connaissances le premier benchmark public couvrant l'évaluation précise de la détection d'objets inconnus. Les expériences montrent que notre méthode est largement supérieure aux méthodes existantes les plus avancées.