开放词汇检测新晋SOTA！地瓜机器人开源DOSOD实时检测算法

文章预览

在计算机视觉领域，目标检测是一项关键技术，旨在识别图像或视频中感兴趣物体的位置与类别。传统的闭集检测长期占据主导地位，但近年来，开放词汇检测（Open-Vocabulary Object Detection-OVOD 或者 Open-Set Object Detection-OSOD）崭露头角，为目标检测带来了新的活力与可能性。 与闭集检测相比，开放词汇检测打破了检测类别固定的“枷锁”，它在训练时利用丰富多样的文本 - 区域对（text-region pairs）数据，将文本作为类别标签，大大拓宽了可检测的范围。尤其是在机器人感受周围环境的任务中，能够起到极大的帮助。 目前主流的开放词汇检测算法有 Grounding-DINO 系列和 YOLO-World。在海量的私有数据集的加持下，前者具有非常强大的检测能力，精度遥遥领先，其模型依赖参数量较大的 Transformer 结构，实时性较弱。后者依赖轻量级的 Convolution 结构，能够达到 ………………………………