在这篇论文中，我们提出了一个名为 Open World Semi-supervised Detection（OWSSD）的框架，该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据，并从中学习，我们通过大量评估表明我们的方法在与最先进的 OOD 检测算法的竞争中表现出色，并显著改善了开放世界场景下的半监督学习性能。

Jul, 2023

该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

Aug, 2023

基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

Feb, 2023

本文提出了基于开放世界目标检测（Open World Object Detection）的实验设置和基准原则，设计了两个公平的 OWOD 问题特定的评估协议，推出了一个包含辅助 Proposal ADvisor（PAD）和类别特定排除分类器（CEC）两部分的新型有效的 OWOD 框架，在公平的 OWOD 基准测试中，取得了优于其他现有物体检测方法的表现和新的度量方法。

Jan, 2022

本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

Nov, 2023

本文提出了一种新的 Open World Object Detection 问题，称为 Unknown-Classified Open World Object Detection (UC-OWOD)，并构建了两个阶段的目标检测器，以解决它所涉及的未知分类问题，并设计了两个新的评估协议用于评估未知类别检测的有效性。

Jul, 2022

通过引入一种新型的端到端基于 transformer 的框架 OW-DETR，其中包括 attention 驱动的伪标签、新颖性分类和对象得分三个组件，用于解决开放世界目标检测 (OWOD) 的挑战，在 MS-COCO 和 PASCAL VOC 数据集上的广泛实验表明，该模型表现出优秀的性能，能够从已知类中传递知识到未知类中，能够更好地鉴别未知对象和背景。

Dec, 2021

通过蒸馏视觉 - 语言模型中的开放世界知识，并提出一种权重降低的损失函数以及通过分离定位和识别来减少已知和未知对象的相互影响，我们成功地改进了未知对象的检测性能。

Dec, 2023

本文提出了一种新的端到端在线架构来改进和提高开放集装箱半监督目标检测的性能和效率，并在 COCO 数据集上取得了最佳表现。

May, 2023

本文提出了一种弱 / 半监督目标检测框架 (WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失 (WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在 PASCAL-VOC 和 MSCOCO 基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。

May, 2021