超越已知物体：基于负向感知范数（Negative-Aware Norm）的开集目标检测新框架
计算机视觉与模式识别
2026-05-05 v1
摘要
开集目标检测(OSOD)对于自动驾驶至关重要，因其感知系统必须在复杂动态环境中识别并定位已知及以前未出现的物体。虽然近期方法取得了令人鼓舞的成果，但它们常需大规模重新训练检测器以学习物体性(objectness)，即描述给定边界框紧密包围有效物体的可能性，无论其类别在训练期间是否被学习。不同于现有工作，本文假设标准即插即用检测器可能已包含有用的物体性线索，因其在大量多样化已知类别上进行训练。基于此思想，我们提出NAN-SPOT（Negative-Aware Norm-SPOT）框架，无需重新训练基础检测器，仅利用名为负向感知范数(Negative-Aware Norm, NAN)的隐藏层度量即可估计物体性，训练时间仅需数分钟，且仅需数百张图像。为支持全面评估，我们引入COCO-Open数据集，该数据集是现有COCO-Mixed数据集的扩展版本，将未知物体标注从433增至1853个，目前已知标注最详尽的OSOD数据集。实验结果表明，NAN-SPOT在未知目标检测上甚至优于需要大规模训练的方法，同时不损害对已知目标的性能。这种效率与鲁棒性使NAN-SPOT成为自动驾驶开放世界感知的有前景的一步。
引用
@article{arxiv.2605.02284,
title = {Beyond Known Objects: A Novel Framework for Open-Set Object Detection using Negative-Aware Norm},
author = {Yuchen Zhang and Yao Lu and Johannes Betz},
journal= {arXiv preprint arXiv:2605.02284},
year = {2026}
}
备注
Submitted to the IEEE Intelligent Vehicles Symposium (IV 2026), Detroit, MI, United States