Object Detectors in the Open Environment: Challenges, Solutions, and Outlook

随着基础模型的出现，基于深度学习的物体检测器已经在封闭场景中显示出实际可用性。然而，在真实世界的任务中，物体检测器经常在开放环境中运行，其中影响模型学习的关键因素（例如数据分布、目标）经常发生变化。开放环境的动态和复杂性给物体检测器带来了新的和巨大的挑战。不幸的是，目前关于开放环境中物体检测器的研究缺乏对其独特特征、挑战和相应解决方案的全面分析，这阻碍了它们在关键的真实世界场景中的安全部署。本文旨在通过对开放环境中物体检测器的全面审查和分析来弥补这一差距。我们首先确定了现有检测流程中关键结构组件的限制，并提出了开放环境物体检测器挑战框架，该框架基于数据/目标变化的维度包括四个象限（即域外、类别外、鲁棒学习和增量学习）。对于所提出框架中的每个挑战象限，我们提供了全面的描述和系统分析，包括总体目标和核心困难，系统地回顾了相应的解决方案，并在多个广泛采用的数据集上对其性能进行了基准测试。此外，我们还讨论了未解决的问题和未来研究的潜在途径。本文旨在提供对开放环境物体检测器的挑战和解决方案的全新、全面和系统的理解，从而催生在真实世界场景中更加可靠的应用程序的发展。与此调查相关的项目可在https://github.com/LiangSiyuan21/OEOD_Survey找到。

本论文旨在解决目标检测在开放环境中面临的挑战，包括数据分布和目标变化等因素的影响，以及缺乏全面分析开放环境下目标检测的特点、挑战和解决方案的问题。

论文提出了基于四个象限的开放环境目标检测挑战框架，包括域外、类别外、鲁棒学习和增量学习四个方面，对每个方面的目标进行详细描述和系统分析，提出了相应的解决方案并在多个数据集上进行了性能评估。

论文提出了全面的开放环境目标检测挑战框架，对每个方面的目标进行了详细描述和系统分析，并提出了相应的解决方案。实验使用了多个数据集进行性能评估，并提供了开源代码。

最近在这个领域中，还有一些相关的研究，例如《Open-Set Object Detection: A Review》、《Open-World Object Detection》等。