重新思考开放集目标检测：问题、新形式化与分类体系
计算机视觉与模式识别
2025-12-23 v3
摘要
开放集目标检测（OSOD）是一项在准确检测已知物体的同时检测未知物体的任务，近来受到关注。然而，我们指出了当前 OSOD 研究所用问题形式化中的一个根本问题。目标检测固有的前提是知道“检测什么”，这与识别“未知”物体的理念相矛盾。这使得 OSOD 区别于开放集识别（OSR）。这一矛盾使对方法性能的恰当评估变得复杂，而以往研究忽视了这一点。接下来，我们提出一种新形式化，要求检测器在指定的物体类别超类中检测已知与未知类别。这一新形式化免于上述问题且具有实际应用。最后，我们利用现有数据集设计基准测试，并报告对现有 OSOD 方法的实验评估。结果表明，现有方法因已知与未知类别的误分类而非边界框预测错误，未能准确检测未知物体。作为副产品，我们引入 OSOD 的分类体系，解决了文献中普遍存在的混淆。我们期望本研究能鼓励研究界重新考量 OSOD，并推动朝正确方向进展。
引用
@article{arxiv.2207.09775,
title = {Rethinking Open-Set Object Detection: Issues, a New Formulation, and Taxonomy},
author = {Yusuke Hosoya and Masanori Suganuma and Takayuki Okatani},
journal= {arXiv preprint arXiv:2207.09775},
year = {2025}
}
备注
Accepted to IJCV