计算机应用

作者：张英俊, 闫薇薇, 谢斌红, 张睿, 陆望东

单位：1.太原科技大学 计算机科学与技术学院，太原 030024；2.山西天河云计算有限公司，山西 吕梁 033000

关键词：开放世界目标检测,反向传播梯度,图分割算法,特征范数,卷积神经网络

基金：山西省基础研究计划项目(20210302123216);吕梁市引进高层次科技人才重点研发项目(2022RC08)

开放世界目标检测（OWOD）将目标检测任务拓展至真实多变的环境中，要求模型能准确识别已知和未知对象，并逐步学习新知识。针对现有OWOD网络模型中未知类的召回率偏低和误识别的问题，提出一种梯度区分与特征范数驱动的开放世界目标检测（GDFN-OWOD）网络模型。针对未知类召回率偏低的问题，提出梯度区分性表征模块（GDRM），即利用反向传播的梯度差异区分未知类别和背景，以提高未知类召回率；此外，引入基于图分割的框聚类（GSBC）算法将物体边界框的确定建模为图分解问题，从而减少冗余的边界框，进而降低模型的计算量；针对未知类误识别的问题，采用基于特征范数的分类器（FN-BC）选择性能最优的卷积层识别已知和未知类别，以达到更高的识别准确率。在M-OWODB数据集上的实验结果表明，与最优对比模型相比在T1、T2、T3任务中GDFN-OWOD的未知类召回率分别提升了1.1、2.1、0.9个百分点，而绝对开集误差（A-OSE）分别降低了35.1%、28.7%和12.2%。可见，与现有的OWOD网络模型相比，所提网络模型有效缓解了未知类的召回率偏低和误识别的问题。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期