Google力作入选CVPR2024：用生成模型的超能力填充庞大的负样本空间

文章预览

论文标题： Generating Enhanced Negatives for Training Language-Based Object Detectors 论文作者： Shiyu Zhao, Long Zhao, Vijay Kumar B.G, Yumin Suh, Dimitris N. Metaxas, Manmohan Chandraker, Samuel Schulter 编译： Lip 审核： Los 导读： 基于自然语言的开集目标检测的最新进展很大程度上归功于找到能够更好利用任意格式文本注释数据的方法。事实证明，使用判别性目标函数训练此类模型需要良好的正样本和负样本。然而，这种任务形式使得负样本空间变得极其巨大。研究者利用生成模型的大量知识来自动构建与原始数据更相关的负样本。 ©️【深蓝AI】编译 在目标检测中使用自然语言来描述语义可以显著增加检测器标签空间的大小，并实现新的应用。虽然标准检测器在固定的标签空间上运行，但自然语言允许广泛的对象描述，从通用术语如“车辆”到特定表达，如“停在左侧的红色 ………………………………