MR-GDINO: Efficient Open-World Continual Object Detection摘要开放世界(OW)识别与检测模型展现出了强大的零样本和少样本适应能力,这启发了人们将其作为初始化方法应用于持续学习方法中以提高性能。尽管在已见类别上取得了令人鼓舞的结果,但由于灾难性遗忘,这些模型在未见类别上的OW能力却大打折扣。为了应对这一挑战,我们提出了一个开放世界持续目标检测任务,该任务要求检测器在持续学习场景下能够泛化到旧类别、新类别和未见类别。基于这一任务,我们构建了一个具有挑战性但实用的OW-COD基准,以评估检测能力。我们的目标是激励OW检测器在少样本适应下同时保留已学类别、适应新类别,并