语义先验和虚拟异常值合成技术使得在开放世界环境中的物体检测能够以较低的参数复杂度实现高效运行

《Scientific Reports》：Semantic priors and virtual outlier synthesis enable parameter-efficient open-world object detection

　　

摘要

开放世界对象检测需要识别不同类别，并发现训练过程中从未见过的新对象。在这种动态环境中，对整个模型进行微调往往效果不佳。经过完全微调的模型容易过拟合已知类别，且在高计算成本下会失去对未知对象的识别能力。为了解决这个问题，我们提出了一个参数高效的开世界对象检测（PE-OWOD）框架，这是一种简单且轻量级的重新训练方法。我们不更新整个网络，而是固定主干网络和编码器以保持稳定的视觉先验，仅将紧凑的残差适配器注入解码器以适应不同任务。我们还引入了VOS机制，该机制为开放空间定义了明确的决策边界，并支持可选的语义初始化。在MS-COCO基准测试中，PE-OWOD表现出显著的效率优势：模型更新量不到27%，未知对象的召回率达到了64.7%（远超完全微调的基线模型），同时GPU内存使用量减少了86%。这些结果表明，有效的参数适配并非限制因素，而是一种可靠且稳健的开世界对象检测策略。