本文提出了一种基于图像文本交互的语义分割模型 ViL-Seg，通过无需密集标注的方式，利用网络上自然存在的图像和文本数据，学习到能够直接分割任意开放世界类别对象的能力，实验结果在三个基准数据集上优于需要数据标注的零样本分割方法。

Jul, 2022

该研究提出了一种基于 LIDAR 点云数据的开放式语义分割任务，使用 REdundAncy cLassifier 框架解决开放式语义分割和增量学习问题，并在 SemanticKITTI 和 nuScenes 数据集上达到了最先进的性能，同步解决了灾难性遗忘问题。

Jul, 2022

已有的 3D 实例分割方法通常假设在训练过程中可获取所有待分割的语义类别，并在推理时仅分割已见类别。我们认为这种封闭世界的假设过于限制，首次探索了在开放世界环境中进行 3D 室内实例分割，使模型能够区分已知类别，并将未知对象标注为未知，并在相应的类别标签可用时逐步学习未知对象的语义类别。为此，我们引入了一种开放世界的 3D 室内实例分割方法，其中采用自动标注方案在训练过程中生成伪标签，并引入分离机制来区分已知和未知类别标签。我们还通过基于目标性得分分布调整未知类别概率的方法，在推理过程中改进了伪标签的质量。我们还引入了基于真实场景的谨慎策划的开放世界数据集，根据物体分布、基于区域的室内场景探索和开放世界类别的随机性方面。广泛的实验表明了所提出的方法有效性，为开放世界 3D 实例分割性能带来了希望。

Sep, 2023

本文提出了一种基于贝叶斯框架和模拟退火优化的图像划分采样算法，基于已知物体类别的目标检测器输出，实现了在开放集条件下分割所有已知和未知目标类别的实例分割方法，该方法在已知类别和未知类别上均有较好表现并且与监督式方法相比具有竞争性。

Jun, 2018

开放世界视频实例分割和字幕生成 (OW-VISCap) 是一种联合分割、跟踪和描述以前见过或未见过的视频中的物体的方法。

Apr, 2024

本研究中，我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征，从而提高深度开放世界识别算法的性能，并提出了一种学习类特定拒绝阈值的策略，在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有效性。

Apr, 2020

本研究提供一个统一的视角：语义拓扑，该限制为开放式对象检测器建立了具有辨别特征表示和一致关系的物体分类，使其能够区分已知和未知对象，并且在增量学习时保持已知对象特征的准确性。实验证明，语义拓扑可以显著超过当前最先进的开放式对象检测器，在绝对开放集误差方面从 7832 降至 2546，展示了语义拓扑在开放式对象检测中的内在优越性。

Oct, 2021

提出了第一个开放式视频实例分割 (Open-World Video Instance Segmentation, OW-VIS) 方法 ——OW-VISFormer，它引入了一个新的特征增强机制和一个时空客体性 (Spatio-Temporal Objectness, STO) 模块，并评估了其在开放式实验室下的特性。

Apr, 2023

该研究论文讨论了在自动驾驶里面实现视频类别不可知的图像语义分割，通过对比开放集关系与运动分割问题来解决未知目标语义分类的问题，并对基于外观、几何学习和对比损失等基础方法进行测评，提出了公共数据集和榜单，并公布了相应的模型。

Mar, 2021

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