混合采样与解耦协同的开放世界目标检测算法

来源：计算机工程与应用杂志2026年第12期北京时间：

作者：黄慕狄, 王呈, 张子健

单位：江南大学 物联网工程学院，江苏 无锡 214122；

摘要：开放世界目标检测（open world object detection，OWOD）需兼顾已知类别检测与未知目标识别，并支持增量学习新类。针对现有方法未知类召回率低、特征解耦不足及增量学习稳定性差等问题，提出混合采样与解耦协同的开放世界目标检测算法（hybrid sampling and decoupling collaborative for OWOD，HSDC-OWOD）。该方法设计三个模块协同工作：（1）混合分布提案生成模块（mixed distribution proposal generation，MDPG），融合高斯分布与长尾分布特性，生成覆盖更加全面的区域提案，增强目标检测的适应性；（2）多任务自注意力解耦模块（multi-task self-attention decoupling module，MSDM），采用双分支自注意力机制解耦类别预测与对象性预测任务特征，引入互信息最小化技术强化特征独立性，并通过最大softmax概率验证提升未知类别识别鲁棒性；（3）多任务自校准层（multi-task self-calibration layer，MT-SCL），设计双分支独立仿射变换重构任务特征空间，结合任务路由机制缓解增量学习中的灾难性遗忘问题。实验表明，在M-OWODB数据集上，算法的未知类召回率较最优基线提升1.2~1.9个百分点，mAP提升1.1~1.5个百分点；在增量学习任务中，模型mAP达74.2%，较现有方法提高1.4~1.8个百分点，验证了算法在改善召回率低、特征解耦不足及增量学习稳定性差等问题上的有效性。

关键词：开放世界目标检测,混合采样,互信息最小化,特征解耦,仿射变换,任务路由机制

基金资助：国家自然科学基金面上项目（62373165）。