研究背景與動機?
- ?問題?：傳統目標檢測器（封閉集）需預定義所有類別，無法適應動態開放環境。現有研究多獨立解決開放詞匯檢測（OVD）或開放世界檢測（OWOD），未結合兩者優勢：
- ?OVD?：通過文本-視覺嵌入匹配實現零樣本泛化，但無法主動發現未知對象。
- ?OWOD?：可主動檢測未知對象并通過增量學習逐步優化，但缺乏零樣本能力。
- ?目標?：提出統一框架 ?OW-OVD，兼具OVD的零樣本泛化能力和OWOD的主動發現與持續學習能力。
?核心方法?
1. ?模型架構?
- 基于標準OVD檢測器（YOLO-World），包含視覺編碼器（提取圖像特征）和文本編碼器（生成類別/屬性嵌入）。
- 訓練流程分兩步：
- ?分布構建?：計算屬性與正/負樣本區域的相似性分布。
- ?屬性選擇?：通過迭代選擇最具泛化性的屬性。
