【CVPR26-韩国高丽大学】基于能量分离的开放世界目标检测未知目标方法

---

文章：Detecting Unknown Objects via Energy-based Separation for Open World Object Detection

代码：暂无

单位：韩国高丽大学、首尔国立大学

---

一、问题背景

传统目标检测是封闭集模式，只认识训练过的类别，遇到没见过的物体要么乱分类、要么直接忽略。

而开放世界目标检测（OWOD） 要求模型做到三点：

1. incremental 增量学习新类别

2. 无监督识别出未知物体

3. 用记忆回放缓解灾难性遗忘

但现有方法有两个致命问题：

• 只靠已知类别判断未知，导致未知与背景/已知混淆，漏检严重

• 记忆回放时新旧类别互相干扰，学新类就丢旧知识

二、方法创新

作者提出DEUS框架，核心由两个模块组成，简单好理解：

1. ETF子空间未知分离（EUS）

• 用等角紧框架（ETF） 把特征空间拆成已知空间 和未知空间

• 同时计算两个空间的能量分数，让已知、未知、背景各归其位

• 训练时强制拉开已知/未知的能量间隔，推理时校准未知分数

• 解决：未知物体学不到特征、容易和背景混淆的问题

2. 基于能量的已知区分损失（EKD）

• 把分类器拆成旧类别子分类器 和新类别子分类器

• 用能量约束：旧样本只信旧分类器，新样本只信新分类器

• 减少新旧知识互相干扰

• 解决：记忆回放时学新忘旧的问题

总损失 = 分类损失 + 框回归损失 + EUS损失 + EKD损失（仅回放阶段用）

三、实验结果

DEUS在三大标准数据集M-OWODB、S-OWODB、RS-OWODB全面屠榜：

• 未知召回率（U-Rec） 大幅领先，Task1最高冲到68.7%

• 已知类别mAP 不掉点，增量学习全程稳定

• 调和均值H-Score 所有任务均为SOTA

• 计算开销极小：推理仅+1.9%，FLOPs仅+0.5%

可视化效果更直观：

• 基线把长颈鹿（未知）误判成马，把牛（已知）判成未知

• DEUS精准框出所有未知，正确识别已知，不漏检

四、优势与局限

优势

1. 首次用双ETF子空间+能量建模未知特征，未知检测能力极强

2. EKD损失完美解决记忆回放的新旧干扰问题

3. 即插即用，基于MMDetection，轻量无负担

4. 自然图像、遥感图像都能打，泛化性强

局限

1. 当已知与未知语义高度重叠时，分离效果会下降

2. 伪标签质量依然依赖基础检测器的初始能力

五、一句话总结

DEUS用双空间能量分离 搞定未知检测，用新旧分类器解耦 解决灾难性遗忘，在开放世界目标检测上实现未知召回暴涨、已知精度不掉的SOTA效果，轻量好用、落地潜力拉满！