論文の概要: REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling

• arxiv url: http://arxiv.org/abs/2607.03004v1
• Date: Fri, 03 Jul 2026 06:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.491841
• Title: REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling
• Title（参考訳）: REAL-OW:低ランク適応とデュアルステージオブジェクト性モデリングによるリハーサルフリーなオープンワールドオブジェクト検出
• Authors: Huazhong Zhang, Xiaowen Fu, Yang Zhang, Linlin Shen, Jinbao Wang,
• Abstract要約: Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
• 参考スコア（独自算出の注目度）: 56.888597798431704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-World Object Detection (OWOD) requires detectors to identify previously unseen objects as unknown and incrementally incorporate them into the set of known categories, while preserving previously acquired knowledge. Existing frameworks rely heavily on exemplar replay to mitigate catastrophic forgetting, but in some real applications, storing raw data conflicts with data access restrictions and leads to data exposure risks, while incurring significant memory overhead. In this paper, we propose REAL-OW, a novel rehearsal-free framework that decouples incremental knowledge through a collaborative adapter architecture based on Low-Rank Adaptation (LoRA). Specifically, we deploy General Adapters (GAs) in the backbone to enable the significance-aware refinement of cross-task universal representations, while Specific Adapters (SAs) in the decoder provide orthogonal storage for task-specific expertise. To resolve representation drift in objectness modeling under rehearsal-free constraints, we introduce Dual-Stage Objectness Modeling (DSOM), which alternates between feature aggregation and boundary consolidation to stabilize objectness distributions while maintaining the separation between known and unknown categories. Furthermore, DSOM is supported by a Calibrated Gaussian Negative Log-Likelihood (CG-NLL) distance tailored for the dispersed feature distributions inherent in rehearsal-free settings. Extensive evaluations demonstrate that REAL-OW achieves state-of-the-art performance, surpassing existing exemplar replay methods in both detection precision and unknown discovery. Our approach establishes a new baseline for rehearsal-free OWOD.
• Abstract（参考訳）: Open-World Object Detection (OWOD) は、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリの集合に段階的に組み込むとともに、以前に取得した知識を保存することを要求する。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、生データの競合をデータアクセスの制限と格納し、データ露出のリスクを発生させながら、メモリオーバーヘッドを大幅に増大させる。 本稿では,Low-Rank Adaptation (LoRA) に基づく協調型アダプタアーキテクチャにより,段階的な知識を疎結合する新たなリハーサルフリーフレームワークであるREAL-OWを提案する。 具体的には、バックボーンにジェネラルアダプタ(GA)を配置し、タスク固有の専門知識のための直交記憶を提供するデコーダに特化アダプタ(SA)を配置する。 リハーサルのない制約下での客観性モデリングにおける表現ドリフトを解決するために,特徴集約と境界統合を交互に組み合わせたDSOM(Dual-Stage Objectness Modeling)を導入し,未知のカテゴリと未知のカテゴリの分離を維持しながら,客観性分布の安定化を図る。 さらに、DSOMは、リハーサルのない設定に固有の分散特徴分布に適したカリブ付きガウス負対数対数(CG-NLL)距離でサポートされている。 広範囲な評価により,REAL-OWは検出精度と未知の発見の両方において,既存の模範的再生手法を超越し,最先端の性能を実現していることが示された。 本手法は,リハーサルのないOWODの新たなベースラインを確立する。

関連論文リスト

• EviRCOD: Evidence-Guided Probabilistic Decoding for Referring Camouflaged Object Detection [9.823189831191064]
  参照カモフラージオブジェクト検出(Referring Camouflaged Object Detection, Ref-COD)は、カテゴリ整列参照を用いたクエリイメージ内の特定のカモフラージされたターゲットのセグメンテーションに焦点を当てる。 EviRCOD は,(1) 階層的な参照駆動型変調と多スケールの変形可能なアグリゲーションを利用して,セマンティックな先行表現を注入し,クロススケールな表現を整列する参照誘導型変形性(RGDE) ; (2) ディリクレ証拠推定を階層的なデコードに組み込んだ不確実性認識証拠デコーダ(UAED) と,(3) 境界認識再閉じ込めモジュールである。
  論文  参考訳（メタデータ） (2026-04-13T01:53:45Z)
• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection [3.9890357781493595]
  Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 我々は,未知のオブジェクトの発見と適応を相互に(セットベースの)データ発見と表現学習タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection (CROWD)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T21:48:08Z)
• UN-DETR: Promoting Objectness Learning via Joint Supervision for Unknown Object Detection [6.837147490662261]
  Unknown Object Detection (UOD) は、クローズドワールドの仮定によって制限された伝統的な検出パラダイムとは異なる、目に見えないカテゴリのオブジェクトを識別することを目的としている。 従来の手法では, 局所化情報と分類情報の両方から, 客観性学習のための監視信号が得られ, UODの性能は低下した。 そこで我々は,UN-DETRというトランスフォーマーをベースとした UOD フレームワークを提案し,それに基づいて IPS (Instance Presence Score) を作成し,オブジェクトの存在の確率を表す。
  論文  参考訳（メタデータ） (2024-12-13T14:45:11Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。