本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

人類經(jīng)常會遇到種類新穎的工具、食物或動物，盡管以前從未見過，但人類仍然可以確定這些是新物體。

與人類不同，目前最先進的檢測和分割方法很難識別新型的物體，因為它們是以封閉世界的設(shè)定來設(shè)計的。它們所受的訓(xùn)練是定位已知種類（有標記）的物體，而把未知種類（無標記）的物體視為背景。這就導(dǎo)致模型不能夠順利定位新物體和學(xué)習(xí)一般物體的性質(zhì)。

最近，來自波士頓大學(xué)、加州大學(xué)伯克利分校、MIT-IBM Watson AI Lab研究團隊的一項研究，提出了一種檢測和分割新型物體的簡單方法。

原文鏈接：https://arxiv.org/pdf/2112.01698v1.pdf

為了應(yīng)對這一挑戰(zhàn)，研究團隊創(chuàng)建一個數(shù)據(jù)集，對每張圖片中的每一個物體進行詳盡的標記。然而，要創(chuàng)建這樣的數(shù)據(jù)集是非常昂貴的。如下圖所示，事實上，許多用于物體檢測和實例分割的公共數(shù)據(jù)集并沒有完全標注圖像中的所有物體。

圖1. 標準的物體檢測器訓(xùn)練中存在的問題。該例來自COCO，有色框是注釋框，而白色虛線框是潛在的背景區(qū)域。許多白色虛線區(qū)域?qū)嶋H上定位了物體，但在傳統(tǒng)的物體檢測器訓(xùn)練中被認為是背景，從而壓制了新物體的目標屬性。

1問題背景

未能學(xué)習(xí)到一般的目標屬性會在許多應(yīng)用場景中暴露出各種問題。例如具身人工智能，在機器人、自動駕駛場景中，需要在訓(xùn)練中定位未見過的物體；自動駕駛系統(tǒng)需要檢測出車輛前方的新型物體以避免交通事故。

此外，零樣本和小樣本檢測必須對訓(xùn)練期間未標記的物體進行定位。開放世界實例分割旨在定位和分割新的物體，但最先進的模型表現(xiàn)并不理想。

研究團隊發(fā)現(xiàn)，導(dǎo)致目前最先進的模型表現(xiàn)不理想的原因在于訓(xùn)練pipeline，所有與標記的前景物體重疊不多的區(qū)域?qū)⒈灰暈楸尘?。如圖1所示，雖然背景中有可見但卻未被標記的物體，但模型的訓(xùn)練pipeline使其不能檢測到這些物體，這也導(dǎo)致模型無法學(xué)習(xí)一般的目標屬性。

為了解決該問題，Kim等人提出學(xué)習(xí)候選區(qū)域（region proposals ）的定位質(zhì)量 ，而不是將它們分為前景與背景。他們的方法是對接近真實標記的object proposals 進行采樣，并學(xué)習(xí)估計相應(yīng)的定位質(zhì)量。雖然緩解了部分問題，但這種方法除了需要仔細設(shè)置正/負采樣的重疊閾值外，還有可能將潛在的物體壓制目標屬性。

2方法

為了改進開放集的實例分割，研究團隊提出了一個簡單并且強大的學(xué)習(xí)框架，還有一種新的數(shù)據(jù)增強方法，稱為 "Learning to Detect Every Thing"（LDET）。為了消除壓制潛在物體目標屬性這一問題，研究團隊使用掩碼標記復(fù)制前景物體并將其粘貼到背景圖像上。而前景圖像是由裁剪過的補丁調(diào)整合成而來的。通過保持較小的裁剪補丁，使得合成的圖像不太可能包含任何隱藏物體。

然而，由于背景是合成圖像創(chuàng)建而來的，這就使其看起來與真實圖像有很大的不同，例如，背景可能僅由低頻內(nèi)容組成。因此，在這種圖像上訓(xùn)練出來的檢測器幾乎表現(xiàn)都不是很好。

為了克服這一限制，研究團隊將訓(xùn)練分成兩部分：

1）用合成圖像訓(xùn)練背景和前景區(qū)域分類和定位頭（classification and localization heads）；2）用真實圖像學(xué)習(xí)掩碼頭（mask head）。

圖2. 本文的增補策略是通過提高小區(qū)域的比例作為背景來創(chuàng)建沒有潛在物體的圖像。

圖3. 原始輸入（左）和合成圖像（右）。用顏色標示了掩碼區(qū)域，使用小區(qū)域作為背景，避免了背景中會隱藏物體。在某些情況下，背景補丁恰好可以定位前景物體（左欄第二行）。要注意的是，這種情況很少見， 可以看出補丁被明顯放大了。

在訓(xùn)練分類頭（classification head）時，由于潛在物體在合成圖像時就已經(jīng)被移除了，因此將潛在物體視為背景的幾率變得很小。此外，掩碼頭是為在真實圖像中分割實例而訓(xùn)練的，因此主干系統(tǒng)學(xué)習(xí)了一般表征，能夠分離真實圖像中的前景和背景區(qū)域。

也許這看起來只是一個小變化，但LDET在開放世界的實例分割和檢測方面的表現(xiàn)非常顯著。

在COCO上，在VOC類別上訓(xùn)練的LDET評估非VOC類別時，平均召回率提高了14.1點。令人驚訝的是，LDET在檢測新物體方面有明顯提高，而且不需要額外的標記，例如，在COCO中只對VOC類別（20類）進行訓(xùn)練的LDET在評估UVO上的平均召回率時，超過了對所有COCO類別（80類）訓(xùn)練的Mask R-CNN。如圖2所示，LDET可以生成精確的object proposals，也可以覆蓋場景中的許多物體。

圖4. 在開放世界中進行實例分割，Mask R-CNN（上圖）比本文所研究的方法（下圖）所檢測到的物體要少。在此任務(wù)中，在不考慮訓(xùn)練種類的情況下，模型必須對圖像中的所有物體進行定位并對其分割。圖中的兩個檢測器都是在COCO上訓(xùn)練，并在UVO上測試的。在新的數(shù)據(jù)增補方法和訓(xùn)練方案的幫助下，本文的檢測器準確地定位出許多在COCO中沒有被標記的物體。

圖5. 訓(xùn)練流程。給定一個原始輸入圖像和合成圖像，根據(jù)在原始圖像上計算的掩碼損失和分類，以及在合成圖像上的回歸損失來訓(xùn)練檢測器。

本文的貢獻總結(jié)如下：

• 提出了一個簡單的框架——LDET，該框架由用于開放世界實例分割的新數(shù)據(jù)增補和解耦訓(xùn)練組成。
• 證明了本文的數(shù)據(jù)增補和解耦訓(xùn)練對在開放世界實例分割中實現(xiàn)良好的性能至關(guān)重要。
• LDET在所有設(shè)置中都優(yōu)于最先進的方法，包括COCO的跨類別設(shè)置和COCO-to-UVO和Cityscape-to-Mapillary的跨數(shù)據(jù)集設(shè)置。

3實驗結(jié)果

研究團隊在開放世界實例分割的跨類別和跨數(shù)據(jù)集上評估了LDET?？珙悇e設(shè)置是基于COCO數(shù)據(jù)集，將標記分為已知和未知兩類，在已知類別上訓(xùn)練模型，并在未知類別上評估檢測/分割性能。

由于模型可能會處在一個新的環(huán)境中并且遇到新的實例，所以跨數(shù)據(jù)集設(shè)置還評估了模型對新數(shù)據(jù)集的歸納延伸能力。為此，采用COCO或Cityscapes作為訓(xùn)練源，UVO和Mappilary Vista分別作為測試數(shù)據(jù)集。在此工作中，平均精度（AP）和平均召回率（AR）作為性能評估標準。評估是以不分等級的方式進行的，除非另有說明。AR和AP是按照COCO評估協(xié)議計算的，AP或AR最多有100個檢測值。

表1. COCO中VOC → Non-VOC泛化的結(jié)果。表中最后一行的藍色部分是對Mask R-CNN的改進。LDET超過了所有的基線，并相較于Mask R-CNN有巨大改進。

圖6. 在COCO數(shù)據(jù)集中，VOC to Non-VOC的可視化。上圖：Mask R-CNN，下圖：LDET。注意訓(xùn)練類別不包括長頸鹿、垃圾箱、筆、風(fēng)箏和漂浮物。LDET比Mask R-CNN能更好地檢測許多新的物體。

表2. VOC → Non-VOC的數(shù)據(jù)和訓(xùn)練方法的消融研究。最后一行是本文提出的框架。

表3. class agnostic訓(xùn)練的消融研究。class agnostic訓(xùn)練對LDET和Mask R-CNN的性能有些許提高。

圖7. 基線Mask R-CNN存在著對標記實例的過度擬合。因此，隨著訓(xùn)練的進行，它檢測新物體的性能會下降。相比之下，本文的方法基本上隨著訓(xùn)練，性能都會提升。

表4. 與COCO上測試的無監(jiān)督方法和DeepMask的比較。需注意的是，DeepMask使用VGG作為主干。LDET和DeepMask是在VOC-COCO上訓(xùn)練的。

表5. 改變背景區(qū)域的大小。2-m表示用輸入圖像的2-m的寬度和高度裁剪背景區(qū)域。從較小的區(qū)域取樣背景，往往會提高AR，降低AP。

表6. ResNet50與ResNet101的對比。ResNet101傾向于比ResNet50表現(xiàn)得更好，這在LDET中更明顯。

表7. region proposal network和region of interest head的比較。bounding boxes的AP和AR。

圖8. COCO實驗中的目標屬性圖（RPN score）的可視化。LDET捕獲了各種類別的物體性，而Mask R-CNN則傾向于抑制許多物體。

表8. COCO→UVO泛化的結(jié)果。上：在VOC-COCO上訓(xùn)練的模型，下：在COCO上訓(xùn)練的模型。與基線相比，LDET在所有情況下都表現(xiàn)出較高的AP和AR。

圖9. 在COCO上訓(xùn)練的模型結(jié)果的可視化。上圖：Mask R-CNN，下圖：LDET。最左邊的兩張圖片來自UVO，其他的來自COCO的驗證圖片。

表9. Cityscapes → Mappilary Vista的歸納結(jié)果。LDET對自動駕駛數(shù)據(jù)集是有效的。AR0.5表示AR，IoU閾值=0.5。