Semantic priors and virtual outlier synthesis enable parameter-efficient open-world object detection

Abstract Open-world object detection requires knowledge of categories and discovery of new objects never seen in training. Full model fine tuning fails often in such dynamic environment. Fully tuned models overfit known classes and lose their sensitivity to unknown objects at high computational cost...

Mô tả đầy đủ

Đã lưu trong:

Chi tiết về thư mục
Những tác giả chính:	Jiaming Gu, Yehui Zheng, Yuzhou Liu, Caimei Liu, Shu Gong, Luoyang Luo
Định dạng:	Artigo
Ngôn ngữ:	Inglês
Được phát hành:	Nature Portfolio 2026-05-01
Loạt:	Scientific Reports
Những chủ đề:	Open-world object detection Parameter-efficient fine-tuning Virtual outlier synthesis Transformer Incremental learning Computer vision
Truy cập trực tuyến:	https://doi.org/10.1038/s41598-026-51018-8
Các nhãn:	Thêm thẻ Không có thẻ, Là người đầu tiên thẻ bản ghi này!

Semantic priors and virtual outlier synthesis enable parameter-efficient open-world object detection

Những quyển sách tương tự