本研究提出了一种新方法LED，旨在解决开放词汇物体检测中的偏见和过拟合问题。实验结果表明，该方法利用大型语言模型的隐藏状态，在复杂查询中的性能显著提升。

本研究提出了一种新方法，通过概念对齐解决开放词汇对象检测中的未见类别测试问题，显著提升了COCO和LVIS基准的检测性能与计算效率。

本文介绍了多种开放词汇语义分割模型的研究进展，包括ViL-Seg、Fusioner和OVFormer等。这些模型通过利用图像和文本数据，在无需密集标注的情况下实现了优异的分割效果，推动了计算机视觉的发展。研究还探讨了不同方法的优缺点及未来研究方向。

该研究提出了一种新颖的单阶段共享高效框架EOV-Seg，旨在提升全景分割的效率。通过引入词汇感知选择模块和双向动态嵌入专家，EOV-Seg在开放词汇环境下显著提高了处理速度和性能，其推理速度比现有方法快4到21倍。

本研究提出了一种适应类别的跨模态语义提炼与转移框架（C$^2$SRT），旨在解决开放词汇多标签识别中类别间语义关联捕捉不足的问题。实验结果表明，该方法在基准测试中显著优于现有算法。

本研究提出了一种新框架，使开放词汇物体检测模型能够在开放世界中识别和学习新物体。该方法通过开放世界嵌入学习和多尺度对比锚学习，在物体检测和自动驾驶基准测试中表现优异，具有重要应用潜力。

本研究提出了CLIPer框架，改进了CLIP在像素级开放词汇语义分割中的应用，无需额外训练。通过早层融合和细粒度补偿模块，显著提升了分割效果，实验证明其在多个数据集上表现优异。

本研究提出开放词汇音视频事件定位（OV-AVEL）任务，解决了音视频事件定位中对未知事件类别处理不足的问题。通过引入OV-AVEBench数据集和基准方法，显著提升了开放集环境下的音视频事件识别能力。

论文提出了一种名为AnytimeCL的开放词汇图像分类持续学习方法，采用动态加权机制结合原始模型与微调模型的预测，支持在线训练和类别平衡。该方法通过特征压缩降低存储需求，提高训练效率，同时保持准确性。

本研究提出了一种全映射的方法，解决了文本到运动生成中的开放词汇问题，通过引入原子运动和文本分解，显著提升了运动生成的泛化能力。

本研究提出了开放词汇航空物体检测（OVAD）的新定义，解决了现有算法只能检测预定义类别的问题。CastDet框架通过结合多种策略和教师模型，提高了新物体提议的质量和分类能力。

现有方法使用视觉-语言模型如CLIP来增强开放词汇目标检测，但存在概念表示不足和过拟合问题。为此，提出LaMI策略，通过语言模型指令改善概念表示，避免过拟合。LaMI-DETR结合GPT和T5构建视觉概念，提升检测性能。实验显示，该方法在不依赖外部资源的情况下显著提升了泛化能力。

深度学习推动了计算机视觉中的目标检测和分割，但由于标注成本高，数据集类别有限，难以扩展到开放词汇。近年来，开放词汇检测和分割受到关注。本文综述了这些领域的发展，提出了分类法，涵盖视觉-语义映射和视觉特征合成等方法，讨论了每种方法的原则、挑战和优缺点，并进行了基准测试，最后提出未来研究方向。

本研究提出了一种开放词汇的3D跟踪方法，解决了传统3D多目标跟踪系统受限于预定义对象类别的问题。该方法提高了在动态环境中对未知对象的适应能力，对自主驾驶系统应用具有重要意义。

计算机视觉中的目标检测和分割取得了巨大进展，但现有数据集中的标注类别较小且预定义，无法推广到开放词汇之外。近年来，关注集中在开放词汇检测和分割上。本调研提供了对过去和最新开放词汇检测和分割发展的全面审查，包括不同方法学的分类和讨论。提供了一些有前途的方向，以激发未来的研究。

最近的研究发现，利用预训练的文本-图像判别模型（如CLIP）可以解决开放词汇语义分割的挑战。研究人员提出了一种名为DiffSegmenter的无需训练的新方法，通过扩散模型生成注释数据或提取特征来促进语义分割。DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

最近的研究发现，利用预训练的文本-图像判别模型（如CLIP）可以解决开放词汇语义分割的挑战。研究人员提出了一种名为DiffSegmenter的无需训练的新方法，通过扩散模型生成注释数据或提取特征来促进语义分割。DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

最近的研究发现，利用预训练的文本-图像判别模型可以解决开放词汇语义分割的挑战。然而，研究人员提出了一种名为DiffSegmenter的无需训练的新方法，通过扩散模型生成注释数据或提取特征来促进语义分割。实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。