DRM：清华提出无偏差的新类发现与定位新方法 | CVPR 2024 - 晓飞的算法工程笔记
原文中文，约4200字，阅读约需10分钟。
📝
内容提要
该论文提出了去偏差区域挖掘方法来改进新类别发现和定位。通过结合类无关和类感知的目标定位方法，利用半监督对比学习和mini-batch K-means聚类来优化目标定位和特征表达。实验结果显示该方法优于其他基线方法。
🔎
延伸解读
偏差问题的根源与影响
论文指出，现有新类别发现方法存在两种偏差：一是封闭集训练的分类头导致特征表达偏向已知类，二是仅用标记数据训练的RPN导致定位偏差。这使模型遇到未知物体时，要么将其视为背景，要么错误分类为已知类，严重限制了开放世界场景下的泛化能力。
双RPN策略的互补优势
类感知RPN对已知类定位准确，但泛化性差；类无关RPN对未知类泛化性强，但已知类精度不足。DRM通过可靠性分析融合两组提案，并利用NMS统一，既保留了已知类的高精度，又提升了未知类的召回，有效解决了提案聚拢问题。
半监督对比学习与聚类优化
方法利用标记和未标记图像块进行实例级对比学习，增强特征表达。聚类时采用over-clustering策略提高纯度，并用Mini-batch K-means降低计算耗时。这些设计使模型能更好地发现和区分未知类别，同时保持效率。
❓
Q&A
去偏差区域挖掘方法的主要目标是什么？
去偏差区域挖掘方法旨在改进新类别发现和定位，减轻目标检测中的偏差问题。
论文中提到的双 RPN 策略是如何工作的？
双 RPN 策略通过一个类感知 RPN 和一个类无关 RPN 同时检测已知和未知目标，从而提高定位准确性。
半监督对比学习在该方法中有什么作用？
半监督对比学习用于改进特征表达，使模型能够学习相似实例的相似特征，依赖无标记图像信息。
该论文的实验结果如何？
实验结果表明，该方法在新类别发现和定位方面优于其他基线方法。
去偏差 NCD 方法如何减轻偏差？
去偏差 NCD 方法通过引入半监督对比学习和双 RPN 策略来减轻特征表达和定位中的偏差。
Mini-batch K-means 聚类在新类别发现中有什么优势？
Mini-batch K-means 聚类通过随机采样数据子集来减少计算耗时，同时优化目标函数，提高了效率。
🏷️
