检测相关(4篇)
【1】 Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection
标题：开集监督异常检测中的异常异构性学习
https://arxiv.org/abs/2310.12790开集监督异常检测（OSAD）-最近出现的异常检测领域-旨在利用在训练期间看到的异常类的一些样本来检测看不见的异常（即，来自开集异常类的样本），同时有效地识别所看到的异常。受益于所看到的异常所示的先验知识，当前的OSAD方法通常可以大大减少误报错误。然而，这些方法将异常示例视为来自均匀分布，使得它们在推广到可以从任何分布得出的不可见异常方面不太有效。在本文中，我们建议学习异构异常分布使用有限的异常的例子来解决这个问题。为此，我们引入了一种新的方法，即异常异构学习（AHL），模拟了一组不同的异构（可见和不可见）的异常分布，然后利用它们来学习一个统一的异构异常模型。此外，AHL是一个通用的框架，现有的OSAD模型可以插入和播放，以增强其异常建模。在9个真实世界异常检测数据集上进行的广泛实验表明，AHL可以1）在检测可见和不可见异常方面大大增强不同的最新（SOTA）OSAD模型，在大型数据集上实现新的SOTA性能，2）有效地推广到新目标域中的不可见异常。
【2】 DT/MARS-CycleGAN: Improved Object Detection for MARS Phenotyping Robot
标题：DT/MARS-CycleGAN：改进的火星表型机器人目标检测
https://arxiv.org/abs/2310.12787机器人作物表型分析已成为大规模评估作物形态和生理性状的关键技术。这些表型测量对于开发新的作物品种至关重要，目的是提高生产力和应对气候变化等环境挑战。然而，开发和部署作物表型机器人面临许多挑战，例如复杂多变的作物形状使机器人对象检测复杂化，动态和非结构化环境阻碍机器人控制，以及实时计算和管理挑战机器人硬件/软件的大数据。这项工作专门解决了第一个挑战，提出了一种新的数字双胞胎（DT）MARS-CycleGAN模型的图像增强，以提高我们的模块化农业机器人系统（MARS）的作物对象检测从复杂和多变的背景。我们的核心思想是，除了CycleGAN模型中的周期一致性损失外，我们还在深度学习模型中设计并实施了一个新的DT-MARS损失，以惩罚MARS捕获的真实作物图像与DT MARS感知的合成图像之间的不一致性。因此，生成的合成裁剪图像在真实感方面非常接近真实图像，并且它们被用于微调对象检测器，例如YOLOv 8。大量的实验表明，我们新的DT/MARS-CycleGAN框架显着提高了我们的MARS的作物对象/行检测器的性能，有助于机器人作物表型领域。
【3】 Exploiting Low-confidence Pseudo-labels for Source-free Object Detection
标题：利用低置信度伪标签法进行无源目标检测
https://arxiv.org/abs/2310.12705无源对象检测（SFOD）的目的是使源训练的检测器适应未标记的目标域，而无需访问标记的源数据。目前的SFOD方法在自适应阶段利用基于阈值的伪标签方法，其通常限于高置信度伪标签并且导致信息丢失。为了解决这个问题，我们提出了一种新的方法，通过引入高和低置信度阈值来充分利用伪标签。具体而言，通常使用置信度分数高于高阈值的伪标签，而使用低置信度伪标签利用（LPU）模块来利用低阈值和高阈值之间的伪标签。LPU模块包括建议软训练（PST）和局部空间对比学习（LSCL）。PST生成用于软训练的建议的软标签，这可以减轻标签不匹配问题。LSCL利用提案的局部空间关系来提高模型区分空间相邻提案的能力，从而进一步优化代表性特征。结合这两个组件克服了传统方法在利用低置信度伪标签时所面临的挑战。在五个跨域目标检测基准上的大量实验表明，我们提出的方法优于以前的SFOD方法，实现了最先进的性能。
【4】 Click on Mask: A Labor-efficient Annotation Framework with Level Set for Infrared Small Target Detection
标题：CLICK ON MASK：一种基于水平集的高效红外弱小目标检测标注框架
https://arxiv.org/abs/2310.12562Infrared Small Target Detection is a challenging task to separate small targets from infrared clutter background. Recently, deep learning paradigms have achieved promising results. However, these data-driven methods need plenty of manual annotation. Due to the small size of infrared targets, manual annotation consumes more resources and restricts the development of this field. This letter proposed a labor-efficient and cursory annotation framework with level set, which obtains a high-quality pseudo mask with only one cursory click. A variational level set formulation with an expectation difference energy functional is designed, in which the zero level contour is intrinsically maintained during the level set evolution. It solves the issue that zero level contour disappearing due to small target size and excessive regularization. Experiments on the NUAA-SIRST and IRSTD-1k datasets reveal that our approach achieves superior performance. Code is available at https://github.com/Li-Haoqing/COM.