摘要

构建鲁棒且通用的目标检测框架，需要扩展至更大的类别空间和更大规模的训练数据集。然而，在大规模下为数千个类别获取标注数据成本极高，难以实现。为此，我们提出一种新方法，利用近期视觉-语言模型中丰富的语义信息，对未标注图像中的物体进行定位与分类，从而有效生成用于目标检测的伪标签。该方法从一种通用且类别无关的区域提议机制出发，借助视觉-语言模型将图像中的每个区域分类为下游任务所需的任意物体类别。我们在两个具体任务中验证了所生成伪标签的有效性：开放词汇目标检测（open-vocabulary detection），即模型需泛化至未见物体类别；以及半监督目标检测，即利用额外的未标注图像提升模型性能。实验结果表明，该伪标签在两项任务中均表现出显著效果，优于现有竞争性基线方法，并在开放词汇目标检测任务上取得了新的最先进（state-of-the-art）性能。相关代码已开源，地址为：https://github.com/xiaofeng94/VL-PLM。