LAB-Det：语言作为训练自由的单样本域通用目标检测中的域无关桥梁
计算机视觉与模式识别
2026-02-09 v1
摘要
基础目标检测器如GLIP和Grounding DINO在通用域数据上表现出色，但在专门且数据稀缺的setting，如水下影像或工业缺陷中常会性能力下降。典型的跨域少样本方法依赖于对目标数据的微调，带来成本和过拟合风险。我们反问：是否可以仅凭一个每类一个样本而无需训练即可适应冻结检测器？为此，我们提出了一种训练自由的单样本域通用目标检测方法，要求检测器仅凭每类一个已标注样本且不更新权重即可适应专门域。为此，我们提出LAB-Det，利用语言作为域无关桥梁。不通过适应视觉特征，而是将每个样本投影为描述性文本，以条件化和引导冻结检测器。这种语言条件取代了基于梯度的适应，使检测器在数据稀缺域中实现稳健的通用。我们在UODD（水下）和NEU-DET（工业缺陷）两个被广泛采用的稀疏检测基准测试上进行评估，其中目标边界常不清晰，LAB-Det在不更新单个参数的情况下相对于最先进的微调基线实现了最高5.4 mAP的提升。这些结果表明，语言适应是专门检测setting中高效且可解释的微调替代方案。
引用
@article{arxiv.2602.06474,
title = {LAB-Det: Language as a Domain-Invariant Bridge for Training-Free One-Shot Domain Generalization in Object Detection},
author = {Xu Zhang and Zhe Chen and Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2602.06474},
year = {2026}
}