OOVDet：面向零样本越词汇目标检测的低密度先验学习
计算机视觉与模式识别
2026-02-02 v1
摘要
零样本越词汇检测（ZS-OOVD）旨在在零样本推理时准确识别面向零样本推理而提供的面向词汇（IV）类别的对象，同时拒绝缺乏相应类别提示的未定义对象（越词汇，OOV）。然而，现有方法容易对IV类别过拟合，导致OOV或未定义类别以高置信度得分被误分类为IV类别。为解决此问题，本文提出了一种零样本OOV检测器（OOVDet），一种新型框架，有效检测预定义类别，同时在零样本场景中可靠地拒绝未定义类别。具体而言，由于模型缺乏关于OOV数据分布的先验知识，我们通过从类条件高斯分布在隐藏空间中低似然区域中抽样，合成区域级别的OOV提示，这是基于未知语义更可能出现于潜在空间低密度区域的假设所致。对于OOV图像，我们进一步提出了一种基于Dirichlet的梯度归因机制，以挖掘伪OOV图像样本，其中归因梯度被解释为Dirichlet证据，用于估计预测不确定性，选取不确定性高的样本作为伪OOV图像。基于这些合成的OOV提示和伪OOV图像，我们通过低密度先验约束构建OOV决策边界，该约束依据上述假设使用高斯核密度估计来正则化OOV类别的优化。实验结果表明，我们的方法在零样本场景中显著提高了OOV检测性能。代码已公开于 https://github.com/binyisu/OOV-detector。
引用
@article{arxiv.2601.22685,
title = {OOVDet: Low-Density Prior Learning for Zero-Shot Out-of-Vocabulary Object Detection},
author = {Binyi Su and Chenghao Huang and Haiyong Chen},
journal= {arXiv preprint arXiv:2601.22685},
year = {2026}
}