DualMem：绕过对象性瓶颈，实现开放世界目标检测中未知流的校准过滤
计算机视觉与模式识别
2026-05-25 v1 人工智能
摘要
开放世界目标检测 (OWOD) 需要检测器在本地置已知类别的同时识别未知对象以供未来增量学习。我们发现，强大的 OWOD 检测器的未知预测流严重被污染：在 M-OWODB 上，跨 PROB、OW-DETR 和 HypOW，未来任务的正未知对象占未知预测的比例不足 10%，而背景误报占比为 46-71%。我们指出这并非缺失信息问题，而是对象性头存在信息瓶颈。在 PROB 任务 1 中，仅使用解码器查询的 256 维特征进行线性探针，可实现 0.908 的 AUROC 进行正未知与负未知的区分，但最终的一维对象性标量降至 0.642。冻结的 SigLIP 特征在不访问检测器的情况下，独立地在过滤阶段恢复了大量这种提案级别的可分性（AUROC = 0.871）。基于此发现，我们提出 DualMem，一种校准的后处理过滤器，假设小规模的图像不相干的已标注校准分割中保存了未来任务的对象，并在冻结的 SigLIP 特征空间中执行非参数似然比检验。DualMem 使用 k 近邻正记忆存储来保护未来任务对象，使用负记忆存储来抑制类似背景的提案。其决策阈值通过 Neyman-Pearson 校准选择，使用户能够在未知误报抑制和新型召回之间获得明确的权衡。在 PROB、OW-DETR 和 HypOW 的 M-OWODB 任务 1 上，DualMem 将每图像的背景类未知误报提案减少 44.9%-66.3%，平均减少 56.6%。在 PROB 任务 1 上，它比自然 K-均值原型基线实现的减少数量超过一倍，而保持已知类别的 mAP 不变，因为已知检测绕过了过滤器。
引用
@article{arxiv.2605.23634,
title = {DualMem: Bypassing the Objectness Bottleneck for Calibrated Unknown-Stream Filtering in Open-World Object Detection},
author = {Yingjun Xiao and Xi Chen and Gang Fang and Siyuan Chen},
journal= {arXiv preprint arXiv:2605.23634},
year = {2026}
}