Open-set voorwerpherkenning

Bij voorwerpherkenning vertrekt men meestal van een vooraf gedefinieerde set van klassen. Dit staat bekend als de 'closed set assumption': dezelfde set klassen wordt verondersteld aanwezig te zijn in zowel de trainings- als testdata. In dit project willen we hiervan afstappen en een algemenere setup onderzoeken, nl. open-set herkenning. Hierbij worden modellen aangeleerd die kunnen omgaan met nieuwe objectcategorieën. Hiervoor moeten die zich automatisch kunnen aanpassen, liefst zelfs zonder uitgebreide hertraining te vereisen. Om dit doel te bereiken, zullen we ideeën putten uit out-of-distribution detectie, few-shot en zero-shot learning en conditionele attentie-modellen.