개방형 세계 객체 검출을 향하여

인간은 환경에서 미지의 객체 인스턴스를 식별하는 본능을 가지고 있습니다. 이러한 미지 인스턴스에 대한 내재된 호기심은 해당 지식이 최종적으로 제공될 때 그들을 배우는 데 도움을 줍니다. 이는 우리에게 오픈 월드 객체 검출(Open World Object Detection)이라는 새로운 컴퓨터 비전 문제를 제안하도록 동기를 부여합니다. 이 모델은 다음과 같은 두 가지 과제를 수행해야 합니다: 1) 명시적인 감독 없이 미지(unknown)로 분류되지 않은 객체를 식별하고, 2) 해당 라벨이 점진적으로 제공될 때 기존에 학습한 클래스를 잊지 않으면서 이러한 식별된 미지 범주를 점진적으로 학습합니다. 우리는 이 문제를 정식화하고, 강력한 평가 프로토콜을 소개하며, 대조 클러스터링과 에너지 기반 미지 식별을 기반으로 하는 새로운 해결책인 ORE (오픈 월드 객체 검출기: Open World Object Detector)를 제시합니다. 우리의 실험적 평가와 감소 연구(ablation studies)는 ORE가 오픈 월드 목표를 달성하는 효율성을 분석합니다. 흥미롭게도, 미지 인스턴스의 식별과 특성화가 점진적 객체 검출 설정에서 혼동을 줄이는 데 도움이 되는 것으로 나타났습니다. 이 설정에서 우리는 추가적인 방법론적 노력 없이 최신 성능(state-of-the-art performance)을 달성하였습니다. 우리는 우리의 작업이 이 새로 확인된 그러나 중요한 연구 방향에 대한 추가 연구를 유도하기를 바랍니다.