COVD：面向新概念注入的持续开放词表目标检测
人工智能
2026-05-27 v1
摘要
开放词表目标检测（OVD）取得了显著进展，使检测器能够从已见类别推断到未见类别。然而，现实中的类别空间不断演变，现有 OVD 模型仍难以处理新出现的概念，而重复的完整重新训练又代价高昂。为此，我们提出了一种新的任务设定，称为持续 OVD 与新概念注入（COVD），其中模型顺序学习传入的新概念组，同时保持先前概念和原始开放词表知识，同时提出了一个新的基准测试，Novel-114。我们的关键观察是，预训练的视觉编码器通常已经感知并表示许多新概念，主要瓶颈在于视觉表征与文本概念之间缺乏稳定的语义对齐。基于此，我们提出了 NoIn-Det（无额外参数的持续注入框架），该框架冻结视觉编码器，使用仅来自常见概念和先前注入概念的文本，保留文本表示空间，并通过仅更新有利于新概念学习的小子集文本分支参数来注入新概念。大量实验表明，NoIn-Det 有效学习新概念，保留旧知识，并在不引入额外参数的情况下持续优于现有的持续学习方法。Novel-114 和代码将公开发布。
引用
@article{arxiv.2605.27115,
title = {Counteraction-Aware Multi-Teacher On-Policy Distillation for General Capability Recovery with Domain Preservation},
author = {Tianlei Chen and Jiao Ou and Ziyuan Liu and Ruiming Tang and Jian Liang and Han Li},
journal= {arXiv preprint arXiv:2605.27115},
year = {2026}
}