不同于以往在固定数据集上测试性能，论文提出了一个更符合实际的全新检测场景Open World Object Detection，需要同时识别出未知类别和已知类别，并不断地进行增量学习。论文还给出了ORE解决方案，通过对比聚类和基于能量的分类器来进行开放开放世界的检测训练
来源：晓飞的算法工程笔记公众号

论文: Towards Open World Object Detection

Introduction

常见的目标检测算法都针对特定的数据集进行训练，学习固定数量的类别，用于特定的场景。而论文则讨论一个更现实的场景，开放世界目标检测(Open World Object Detection)。在这个场景中，算法需要解决非目标误识别问题以及具备增量学习的能力。

将检测模型应用到开放世界中，除了识别指定类别的目标，还要将非目标类别区别为Unknow，称为Open Set Learning，这需要很强的泛化能力。而Open World Object Detection场景的要求会比Open Set Learning更进一步，当Unknow样本足够时，可随时将Unknow样本打上标签加入到目标类别中，即增量学习。这样的场景设定更为现实，更有助于算法落地，比如机器人、自动驾驶以及监控等需要在运行中不断进行优化的应用。
论文的主要贡献如下：

定义了Open World Object Detection问题，更贴近现实生活。
提出ORE算法，基于对比聚类(contrastive clustering)、可框出未知类别的检测网络(unknown-aware proposal network)、能量分类器(energy based unknown identification)来解决Open World Object Detection上的问题。
设计了完备的实验，用于衡量算法在Open World Object Detection上的性能。
作为论文的副产品，ORE在增量学习任务上达到了SOTA，而且还有很大的提升空间。

Open World Object Detection

ORE: Open World Object Detector

Open World Object Detection的关键在于能够无监督地识别未知类别，以及加入新类别时不会遗忘先前的类别。为了解决上述问题，论文提出了ORE解决方案。

图2为ORE的高层抽象，以两阶段检测器Faster R-CNN作为基础检测器。在第一阶段，检测器可通过类不可知的RPN给出可能存在物体的所有区域，而在第二阶段，将上述的每个区域进行分类和位置调整。为了更好的适应Open World Object Detection，ORE对RPN和分类器都进行了相应的改进，适应自动打标签和识别未知类的需求。