ウェイ・チャン氏ら6名の研究者は2026年11月7日(現地時間)、Open-Vocabulary Object Detection (OVD) において、新規カテゴリの識別能力を維持する新しいフレームワーク「PR-OVD」を発表した。従来のOVD手法では、ベースカテゴリに偏った表現学習により、新規概念に対する有効な能力が制限されるという課題を抱えていた。

PR-OVDは、パーティション・アンド・リファインフレームワークとして設計され、新規カテゴリのための容量を明示的に確保し、カテゴリ間の分離を強化する。このフレームワークは、異なる検出器アーキテクチャにシームレスに統合可能である。

具体的には、PR-OVDはまず、視覚モダリティとテキストモダリティの両方で、ベースカテゴリ、新規カテゴリ、および明示的な背景のためのグローバルな分割を行う粗いパーティショニングを実施する。これにより、オブジェクトに関係のない埋め込みがカテゴリ固有の表現に漏れるのを防ぐ。その後、各パーティション内でカテゴリレベルのリファインメントを適用し、決定境界を明確にし、CLIPにおける領域レベルのきめ細かい事前学習不足を軽減する。

新規カテゴリに信頼性の高い視覚アンカーを提供するため、研究者らは認知に着想を得たStructure Prompt (SP) を設計した。これは自己中心的な属性と他者中心的なコンテキストの両方をエンコードし、安定したパーティション・アンド・リファイン学習を促進する。2つのOVDベンチマークを用いた広範な実験により、PR-OVDは最先端の手法と比較して、新規カテゴリにおいて平均6.5%の比例的な改善を達成した。PR-OVDは、セグメンテーションや分類を含む他のオープンボキャブラリータスクにも有効であることが示されており、その有効性と汎用性がさらに確認された。この研究はIEEE Transactions on Multimedia (TMM) に提出された。


参考: arXiv cs.CV (アーカイブ) — 2026年11月11日 14:00 (JST)

この記事をシェア
X はてブ LinkedIn