我们的探测器的图示。
绩效结果
优于现有的 OVD 方法，提升 SOTA
由于我们生成伪边界完全自动化的，无需人工干预，因此训练数据（包括训练对象类别的数量）的大小和多样性可以大大增加。这使得我们的方法能够胜过现有的使用有限基础类别进行训练的零样本/开放词汇检测方法。
我们通过在四个广泛使用的数据集（COCO、PASCAL VOC、Objects365 和 LVIS）上将我们的方法与 SOTA 零样本和开放词汇物体检测器进行比较来评估其有效性。实验结果表明，当两种方法都使用 COCO 基础类别进行微调时，我们的方法在 COCO 上的新物体检测上比最好的开放词汇检测方法高出 8% AP （平均精度，即检测物体时的准确率）。这意味着可以准确检测到更多物体。令人惊讶的是，我们还发现，即使不 手机号数据库列表 使用 COCO 基础类别进行微调，我们的方法仍然可以比微调后的 SOTA 基线高出3% AP。
我们还评估了我们的方法在其他数据集（COCO 除外）上的泛化性能，并将在ECCV 2022上展示。实验结果表明，在此设置下，我们的方法在 PASCAL VOC、Objects365 和 LVIS 数据集上分别比现有方法性能提高了 6.3%、2.3% 和 2.8%。
仔细观察
为了更精确地了解我们方法的改进效果，我们将其与现有基线进行了定量比较。我们在验证数据集上测量了我们方法与基线方法在检测物体时的平均精度 (AP)。验证数据集通常用于对模型在训练数据集上的拟合度进行无偏评估。由于目前没有正式的测试集，我们在评估中沿用了之前的研究，在 COCO 验证数据集上评估了我们的方法。