反言之，如果该指标越大，说明模型无法很好的区分出未知类别。 Absolute Open-Set Error A-OSE 则是用于衡量检测为已知类的未知实例的总数，即被误分类至已知类别的未知目标的绝对值数量。 mAP

2023年5月12日 · 反言之，如果该指标越大，说明模型无法很好的区分出未知类别。 Absolute Open-Set Error A-OSE则是用于衡量检测为已知类的未知实例的总数，即被误分类至已知类别的未知目标的绝对值数量。 mAP

使用了 Wilderness Impact (WI) metric 和 Absolute Open-set Error (A-OSE)： 分子是模型在known classes上的 precision，分母时在known classes + unknown classes上的precision (recall = 0.8)。 可见WI指标越低模型对开放世界目标的效果越好（在known类上保持高precision时，可以保证在known+unknown有更好的precision）。 A-OSE是将unknown object分类为某一已知类的object数 …

2022年1月25日 · 本文提出了一种简单有效的开放世界目标检测 (OWOD)框架，包括Proposal Advisor (PAD)和Class-specific Expelling Classifier (CEC)两个模块，解决了未知类别与背景、已知类别之间的区分难题。 并引入了Unknown Detection Recall (UDR)和Unknown Detection Precision (UDP)两项新指标，以更准确地评估OWOD性能。 发表于 Computer Vision and Pattern Recognition 2022/01/04. i. 存在问题：（OWOD概念在《Towards open world object detection …

自动标记方法（称为ALU）与基于能量的未知识别（EBUI）相结合（第5行）比单独使用其中任何一种方法（第3行和第4行）效果更好。 将对比聚类（CC）添加到这个配置中，可以在处理未知数据（第7行）时提供最佳的性能，以WI和A-OSE来衡量。

2024年8月24日 · 可以看到，我们的方法在绝对开放集错误（A-OSE）和U-Recall方面达到了最先进的水平，同时保持了非常有竞争力的荒野影响（WI）。

实验思考：本文采用了OW-DETR 的评测方式，即U-Recall + mAP；也采用了OWOD的WI和A-OSE（放在补充材料中）；并且对任务进行划分（Random 任务划分、超类任务划分）。

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。

2021年9月5日 · 理想情况下，WI的值越小越好，表明未知类别对准确率的干扰很少。 此外，还使用Absolute Open-Set Error (A-OSE)来表示未知类别识别成已知类别的绝对数量，再加上目标检测常用的map指标。

2021年5月9日 · ORE在incremental object detection (iOD) task中达到SOTA：ORE减少了将unknown class分类为known object的confusion，从而让检测器逐步学习true foreground object. balanced finetuning在提高previous known class的accuracy方面非常有效，即使每个class只有至少10个instance。 根据detector在close set上的mAP，有助于衡量detector衡量unknown instance的能力。 理想情况下，从close set到open set时并不应该有performance drop. E.