晓飞的算法工程笔记
·
SyncOOD：增加OOD目标检测鲁棒性，自动化数据助您一臂之力 | ECCV'24 - 晓飞的算法工程笔记
💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
本文探讨了利用大规模开放集数据训练的文本到图像生成模型，合成分布外（OOD）对象以增强目标检测。提出的SyncOOD方法通过自动化数据整理生成带注释的OOD图像，显著提升检测性能，实验结果显示其在多个基准上优于现有方法。
🎯
关键要点
- 本文探讨了利用大规模开放集数据训练的文本到图像生成模型合成分布外（OOD）对象以增强目标检测。
- 提出的SyncOOD方法通过自动化数据整理生成带注释的OOD图像，显著提升检测性能。
- SyncOOD利用大型语言模型进行新对象发现，并使用视觉基础模型进行数据注释和过滤。
- 合成数据在保持ID/OOD图像上下文一致性和获得准确的OOD注释边界框方面至关重要。
- 在多个基准上的实验结果显示，SyncOOD在使用最少合成数据的情况下显著超越现有方法。
- SyncOOD的异常合成管道包括合成有效的照片真实感场景级OOD图像和细化新对象的注释框。
- 通过区域级编辑生成包含新概念的图像，确保上下文兼容性。
- 设计基于SAM的细化器以获取新对象的精确边界框，并过滤出尺度变化较大的新对象。
- 通过寻找最容易被混淆为ID的合成OOD样本来挖掘难OOD样本。
- 使用轻量级多层感知器优化ID/OOD决策边界，进行OOD检测器的训练。
➡️
