通过概念分解模型实现可解释的开放世界目标检测
计算机视觉与模式识别
2026-02-25 v1 机器学习
摘要
开放世界目标检测(OWOD)需要在逐步检测已知类别的同时可靠地识别未知目标。现有方法主要关注提高未知召回率，却忽视了可解释性，往往导致已知-未知混淆并降低预测可靠性。本文旨在使整个 OWOD 框架具有可解释性，使检测器能够真正“了解未知”。为此，我们提出了以概念为导向的可解释 OWOD 框架(IPOW)，通过引入概念分解模型(CDM)用于 OWOD，将 Faster R-CNN 中的耦合 RoI 特征显式分解为判别性特征、共享特征和背景概念。判别性特征用于放大已知类别之间的距离，而共享特征和背景特征由于其强大的泛化能力，可轻易迁移用于检测未知类别。利用可解释框架，我们识别出当未知目标位于已知类别的判别性空间中时会发生已知-未知混淆。为解决此问题，我们提出了概念导向纠正(CG)以进一步解决此类混淆。大量实验表明，IPOW 在提高未知召回率的同时显著减轻混淆，并为已知和未知预测提供概念层面的可解释性。
引用
@article{arxiv.2602.20616,
title = {Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model},
author = {Xueqiang Lv and Shizhou Zhang and Yinghui Xing and Di Xu and Peng Wang and Yanning Zhang},
journal= {arXiv preprint arXiv:2602.20616},
year = {2026}
}