COVD：通过新概念注入进行持续开放词汇对象检测

开放词汇目标检测 (OVD) 取得了重大进展，使检测器能够从可见类别泛化到不可见类别。然而，现实世界的类别空间不断发展，现有的 OVD 模型仍然难以应对新出现的概念，而重复的全面再训练的成本却高得令人望而却步。为此，我们引入了一种新的任务设置，称为连续 OVD 与新概念注入 (COVD)，其中模型顺序学习传入的新概念组，同时保留先前的概念和原始开放词汇知识，以及新的基准 Novel-114。我们的主要观察结果是，预训练的视觉编码器通常已经感知并表示了许多新颖的概念，主要瓶颈在于视觉表示和文本概念之间缺乏稳定的语义对齐。基于此，我们提出了NoIn-Det，一种无需额外参数的高效连续注入框架。 NoIn-Det 冻结视觉编码器，仅使用常见概念和先前注入概念的文本保留文本表示空间，并通过仅更新有利于新概念学习的一小部分文本分支参数来注入新概念。大量实验表明，NoIn-Det 可以有效学习新概念，保留旧知识，并且在不引入额外参数的情况下始终优于现有的 VLM 持续学习方法。Novel-114 和代码将被发布。