摘要
将开放词汇检测器适配到工作区图像上可以提高目标识别能力，但可能会降低在源领域和大型词汇基准测试（如COCO和LVIS）上的表现。重放和模型合并可以生成具有保留意识的检查点，但它们本身并不能在检查点选择后提供专门的局部细化步骤。我们提出了一种名为Query Spectral-Null Adapter (QSNA) 的补充性局部更新方法，该方法在检查点选择后应用。QSNA冻结选定的检查点，并在单个解码器FFN输出投影上学习一个8064参数的低秩残差，该残差受到估计的源梯度补成的限制。训练后可以对残差进行重新缩放，并直接将其合并到检查点中。在主要基于重放的检查点上，QSNA将ROADWork的平均精度（AP）从28.18提升到28.30，提高了0.12；而COCO和LVIS的AP分别相对于基础值下降了0.09和0.16。在三种固定的基础适配器种子下，主要配置产生的ROADWork平均精度提升相似，约为+0.13，所有三种种子都超过了采用的保留阈值；这是复制证据，而非显著性测试。在九次基于特定基准的训练中，ROADWork的平均精度在有限的残差范围内反复上升，然后趋于稳定，可行的范围由起始检查点决定。典型的随机、无约束和移除投影的对照组表明，更新方向会影响知识的获取和保留过程，但它们并未证明光谱投影是必要或普遍更优的。综上所述，这些结果将QSNA定位为在具有保留意识的检查点构建之后的一种基于基础条件、面向部署的局部细化阶段。
