摘要

现有方法通过利用视觉-语言模型（VLMs）如CLIP所具备的强大学术开放词汇识别能力，提升了开放词汇目标检测的性能。然而，仍面临两大主要挑战：（1）概念表征不足，即CLIP文本空间中的类别名称缺乏充分的文本与视觉知识；（2）对基础类别存在过拟合倾向，在将VLM知识迁移至检测器的过程中，开放词汇知识偏向于基础类别。为应对上述问题，本文提出语言模型指令（Language Model Instruction, LaMI）策略，该策略通过挖掘视觉概念之间的关联关系，并将其应用于一种简洁而高效的DETR类检测器——LaMI-DETR中。LaMI利用GPT构建视觉概念，并借助T5模型分析类别间的视觉相似性，从而优化概念表征并有效避免对基础类别的过拟合。大量实验证明，在相同严格评估设置下，本方法无需依赖外部训练资源，即可在性能上显著优于现有方法。LaMI-DETR在OV-LVIS数据集上实现了43.4的罕见类别框平均精度（rare box AP），较此前最优方法提升7.8个点，展现出卓越的开放词汇检测能力。