面向开放词汇目标检测的学习型检测与分割方法
计算机视觉与模式识别
2026-05-18 v7
摘要
视觉-语言预训练模型的最近发展极大地推动了开放词汇目标检测，其仅借助语义类别即可识别新颖物体。已有工作主要关注将知识迁移至目标候选框分类，并采用类别无关的框与掩码预测。本文提出 CondHead，一种原则性的动态网络设计，以更好地泛化开放词汇设定下的框回归与掩码分割。其核心思想是基于语义嵌入对网络头进行条件参数化，从而以类别特定知识引导模型更好地检测新颖类别。具体而言，CondHead 由两路网络头组成：动态聚合头与动态生成头。前者由一组静态头实例化并条件聚合，这些头作为专家优化，旨在学习精细预测；后者由动态生成参数实例化，编码通用的类别特定信息。借助此种条件设计，检测模型由语义嵌入桥接，提供强泛化能力的逐类框与掩码预测。我们的方法以极小开销显著改进最先进的开放词汇目标检测方法，例如，在新颖类别上以仅 1.1% 的额外计算量超越 RegionClip 模型 3.0 检测 AP。
引用
@article{arxiv.2212.12130,
title = {Learning to Detect and Segment for Open Vocabulary Object Detection},
author = {Tao Wang and Nan Li},
journal= {arXiv preprint arXiv:2212.12130},
year = {2026}
}
备注
We appologize that author Nan Li was not on the published version due to cvpr23 policy that authors cannot be added after abstract deadline