在计算机视觉的前沿领域，开集目标检测（Open-Set Object Detection）正迎来重大突破。近期的研究通过创新的网络架构设计、损失函数优化以及不确定性建模，显著提升了模型对已知类别和未知类别的区分能力。一些研究引入了能量基模型（Energy-based Models）来量化样本的不确定性，从而更精准地识别出未知类别；还有方法通过对比学习增强模型对已知类别的特征表示，进一步优化了开集检测的性能。

这些成果不仅为自动驾驶、安防监控等实际应用提供了更可靠的目标检测方案，也为未来计算机视觉技术的发展带来了新的思路和方向。我整理了9篇【开集目标检测】的相关论文，全部论文PDF版，工中号 沃的顶会 回复“osod”领取。

Open-Set Object Detection By Aligning Known Class Representations

文章解析 

本文提出基于语义聚类与类解耦的开放集目标检测框架，通过CLIP文本嵌入对齐特征、类解耦模块增强簇间分离，并引入目标聚焦损失优化未知检测，在MS-COCO和PASCAL VOC上显著优于现有方法。

创新点 

语义聚类模块：利用CLIP文本编码器生成类嵌入，对齐提案特征与语义空间，减少语义相似类的误分类。

类解耦模块：通过正交约束强制不同类特征解耦，扩大簇间距离，提升已知与未知类的区分度。

目标聚焦损失：结合中心点损失与分类目标损失，增强模型对未知目标的几何特征感知，提升检测鲁棒性。

研究方法 

语义对齐训练：使用CLIP文本编码器生成类标签嵌入，通过余弦相似度计算语义聚类损失，迫使提案特征向对应类嵌入对齐。

类解耦优化：对每个批次的唯一类特征进行正交化处理，通过交叉熵损失最小化特征间相关性，强化类间分离。

目标聚焦机制：设计包含中心点损失和分类目标损失的几何均值损失，引导模型学习目标几何属性，提升未知目标检出率。

熵阈值评估：通过设定熵阈值惩罚低置信度输出，将高熵样本判定为未知类，降低误分类风险。

研究结论 

性能优势：在VOC-COCO数据集上，所提方法相比OpenDet等SOTA，未知类AP（AP_u）提升17-24%，绝对开放集误差（AOSE）降低450-2600，证明语义聚类与解耦的有效性。

模块协同作用：消融实验表明，语义聚类、类解耦和目标聚焦损失联合作用时，HMP（调和平均精度）达22.81%，显著高于单一模块。

泛化能力：在跨数据集场景（如 VOC-COCO-T2）中，模型对未知类的检测精度（AP_u）保持14.13-19.47%，验证其对多样未知类的鲁棒性。

NID-DETR：A novel model for accurate target detection in dark environments

文章解析 

本文提出NID-DETR模型用于低光环境目标检测，通过三层分解网络增强图像，结合倒置残差级联结构和高效检测头，在DARK FACE数据集上实现参数减少27%，检测精度显著提升，优于主流基线模型。

创新点 

三层分解增强网络：采用拉普拉斯滤波与无监督损失分离光影层，抑制强光并增强暗区，减少细节损失与噪声。

倒置残差级联结构（iRMB-Cascaded）：通过分块注意力头级联计算，降低计算冗余，提升特征表达效率，参数减少27%。

高效检测头设计：减少特征拼接冗余，引入双向数据流与全局建模，优化小目标检测精度。

研究方法 

图像增强：利用 Night-Enhance网络分解图像层，通过结构一致性损失和颜色恒常性损失优化光影分离，提升输入质量。

混合架构设计：结合CNN与Transformer，iRMB-Cascaded模块通过分组注意力头级联，逐步细化特征表示，平衡性能与计算成本。

检测头优化：采用RepC3和Block模块减少特征拼接，引入全局注意力增强特征区分度，降低参数量。

多场景验证：在DARK FACE数据集上对比YOLO、DETR等模型，验证NID-DETR在低光下的检测性能与参数效率。

研究结论 

性能优势：NID-DETR在AP50:95、AP50、AP75分别达21.3%、50.0%、15.1%，优于RTDETR、YOLOv9等模型，参数减少27%。

增强有效性：Night-Enhance模块使AP50:95提升0.6%，有效抑制强光并保留细节，优于LCDNet、Zero-DCE等增强方法。

泛化潜力：模型在复杂低光场景中特征提取更清晰，但在动态光照变化场景仍需优化，为实时应用提供新方向。