开放集物体检测方法和开放世界物体检测方法极易产生大量的错误边界框，进而导致将场景中的背景区域误检测为障碍物，因此无法直接应用于自主移动机器人的场景。具体来说，为了从已知类别物体样本中学习未知类别物体的知识，本方法提出了一种广义似物性得分及其损失函数，该似物性得分的初衷是逼迫深度学习模型在不使用图像背景区域边界框样本的条件下，从众多的候选框中找出完整包围了已知物体的边界框，从而学习所有已知类别共性的模式。
尽管未知物体在外观上变化多端，但是它们与已知物体在特征空间中具有相似性，因此这种广义似物性度量也可用于表述未知物体的似物性，可以将所有物体（包含已知物、未知物）与非物体的边界框区分开。
为了进一步区分已知物与未知物，本章方法采用了负能量（Negative Energy）得分作为一种区分域外样本的度量，并设计了一种非感兴趣区域能量抑制的策略，进一步扩大非物体与物体之间的能量得分与似物性的差距。
然后，由于未知物体在图像中的数量是无法提前预知的，我们基于图分割设计了一种后处理机制，自适应地从图像中找出最佳未知物体边界框。
最后，通过在目前唯一公开用于测试未知物检测精度的数据集上开展实验，我们的方法部分性能远超过现有的其他方法。
代码：https://github.com/Went-Liang/UnSniffer
[1] Wenteng Liang, Feng Xue, Yihao Liu, Guofeng Zhong, Anlong Ming*, Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2023.
