超越任务驱动特征的对象检测
计算机视觉与模式识别
2026-04-07 v1
摘要
现代目标检测器学习的任务驱动特征虽优化终端任务损失，却常捕获不符合标注结构潜在关联的捷径特征。此类表征在任务定义变更或监督稀疏时，限制了迁移性、可解释性与鲁棒性。本文引入注释引导特征增强框架，将嵌入注入目标检测主干网络。该方法从注释引导的潜在空间构建稠密空间特征网格，并与特征金字塔表征融合，以影响区域提议与检测头部。跨野生动物与遥感数据集进行实验，评估分类、定位与数据效率，在多种监督 regime 下。结果表明，对象聚焦能力显著提升，背景敏感性降低，对未见或弱监督任务的泛化能力增强。本文证明，与注释几何对齐的特征优于纯任务优化特征，更具意义性。
引用
@article{arxiv.2604.03839,
title = {Beyond Task-Driven Features for Object Detection},
author = {Meilun Zhou and Alina Zare},
journal= {arXiv preprint arXiv:2604.03839},
year = {2026}
}
备注
Accepted for Oral Presentation at the 46th IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2026, Washington D.C., United States. 4 pages and 4 figures