OV-DEIM：基于 GridSynthetic 数据增强的实时 DETR 风格开词表目标检测
计算机视觉与模式识别
2026-03-10 v1
摘要
实时开词表目标检测（OVOD）对于在动态环境中进行实际部署至关重要，在此情况下，模型必须在严格的延迟约束下识别大量且不断演变的类别。当前实时OVOD方法主要基于YOLO风格模型。相比之下，实时DETR风格方法在推理延迟、模型轻量化和整体性能方面仍落后于人气。本文我们提出OV-DEIM，一个建立在最新DEIMv2框架之上的端到端DETR风格开词表检测器，集成了视觉语言建模以实现高效的开词表推理。我们进一步引入一种简单查询补充策略，在不牺牲推理速度的前提下提高固定AP。除了架构改进之外，我们引入GridSynthetic，这是一种简单而有效的数据增强策略，通过将多个训练样本组成结构化图像网格来实现。通过将模型暴露于更丰富的物体共现模式和空间布局（在单个前向传递中），GridSynthetic缓解了噪声局部化信号对分类损失的负面影响，尤其对于罕见类别的语义判别有所提升。广泛实验表明，OV-DEIM 在开词表检测基准测试中实现了最先进的性能，展现了卓越的效率和在挑战性罕见类别上的显著改进。代码和预训练模型已发布于 https://github.com/wleilei/OV-DEIM。
引用
@article{arxiv.2603.07022,
title = {OV-DEIM: Real-time DETR-Style Open-Vocabulary Object Detection with GridSynthetic Augmentation},
author = {Leilei Wang and Longfei Liu and Xi Shen and Xuanlong Yu and Ying Tiffany He and Fei Richard Yu and Yingyi Chen},
journal= {arXiv preprint arXiv:2603.07022},
year = {2026}
}