OW-DETR: Open-world Detection Transformer

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:liu-190654" > OW-DETR: Open-world...

1 av 1
Föregående post
Nästa post
Till träfflistan

Gupta, AkshitaIncept Inst Artificial Intelligence, U Arab Emirates (författare)

OW-DETR: Open-world Detection Transformer

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

IEEE COMPUTER SOC,2022
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-190654
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-190654URI
https://doi.org/10.1109/CVPR52688.2022.00902DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

Funding Agencies|VR starting grant [2016-05543]
Open-world object detection (OWOD) is a challenging computer vision problem, where the task is to detect a known set of object categories while simultaneously identifying unknown objects. Additionally, the model must incrementally learn new classes that become known in the next training episodes. Distinct from standard object detection, the OWOD setting poses significant challenges for generating quality candidate proposals on potentially unknown objects, separating the unknown objects from the background and detecting diverse unknown objects. Here, we introduce a novel end-to-end transformer-based framework, OW-DETR, for open-world object detection. The proposed OW-DETR comprises three dedicated components namely, attention-driven pseudo-labeling, novelty classification and objectness scoring to explicitly address the aforementioned OWOD challenges. Our OW-DETR explicitly encodes multi-scale contextual information, possesses less inductive bias, enables knowledge transfer from known classes to the unknown class and can better discriminate between unknown objects and background. Comprehensive experiments are performed on two benchmarks: MS-COCO and PASCAL VOC. The extensive ablations reveal the merits of our proposed contributions. Further, our model outperforms the recently introduced OWOD approach, ORE, with absolute gains ranging from 1.8% to 3.3% in terms of unknown recall on MS-COCO. In the case of incremental object detection, OW-DETR outperforms the state-of-theart for all settings on PASCAL VOC. Our code is available at https://github.com/akshitac8/OW-DETR.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Narayan, SanathIncept Inst Artificial Intelligence, U Arab Emirates (författare)
Joseph, K. J.IIT Hyderabad, India; Mohamed Bin Zayed Univ Artificial Intelligence, U Arab Emirates (författare)
Khan, SalmanAustralian Natl Univ, Australia; Mohamed Bin Zayed Univ Artificial Intelligence, U Arab Emirates (författare)
Khan, FahadLinköpings universitet,Datorseende,Tekniska fakulteten,Mohamed Bin Zayed Univ Artificial Intelligence, U Arab Emirates(Swepub:liu)fahkh30 (författare)
Shah, MubarakUniv Cent Florida, FL 32816 USA (författare)
Incept Inst Artificial Intelligence, U Arab EmiratesIIT Hyderabad, India; Mohamed Bin Zayed Univ Artificial Intelligence, U Arab Emirates (creator_code:org_t)

Sammanhörande titlar

Ingår i:2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR): IEEE COMPUTER SOC, s. 9225-923497816654694639781665469470

Internetlänk

Hitta via bibliotek

2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR) (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Gupta, Akshita; Narayan, Sanath; Joseph, K. J.; Khan, Salman; Khan, Fahad; Shah, Mubarak

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: 2022 IEEE/CVF CO ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se