抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
知識が連続的に成長する実際の動的世界をシミュレートするオープン世界オブジェクト検出(OWOD)は,既知と未知のクラスの両方を検出し,同定された未知のものを漸増的に学習することを試みている。唯一の以前のOWOD作業はOWOD定義に建設的に前進するが,実験設定は論理ベンチマーク,計量計算,不適当な方法に不合理である。本論文では,OWOD実験設定を再考し,OWODベンチマーク構築を導くための5つの基本的ベンチマーク原理を提案した。さらに,OWOD問題に特異的な2つの公正な評価プロトコルを設計し,未知クラスの展望から評価するボイドを埋める。さらに,補助Proposal ADvisor(PAD)とクラス特異的Expping Classifier(CEC)を含む新規で効果的なOWODフレームワークを導入した。ノンパラメトリックPADは,監督なしで正確な未知提案を同定する際にRPNを支援できるが,CECは,オーバーコンフィデント活性化境界を較正し,クラス特異的エクセル関数を通して予測を混乱させる。著者らの公正なベンチマークに関して行われた総合的実験は,著者らの方法が,既存のおよび著者らの新しい計量の両方に関して,他の最先端のオブジェクト検出手法より優れていることを実証した。このベンチマークとコードはhttps://github.com/RE OWODで利用可能である。【JST・京大機械翻訳】
