本文讨论了自监督视觉模型DINO及其在目标检测中的应用，重点介绍了Grounding DINO和DINO-X。Grounding DINO通过语言信息将闭集检测器扩展到开放集场景，采用双编码器-单解码器架构，结合图像和文本特征进行对象检测，创新设计了特征提取、增强和查询选择等方面，以提升检测性能。

该研究提出了一种新框架，通过微调开放集对象检测器，整合遥感图像中的对象检测与视觉定位，显著提高了检测效果。

本研究提出低样本开放集领域泛化（LSOSDG），结合低样本学习与开放集领域泛化。OSLOPROMPT框架通过域无关提示学习和针对性查询策略，显著提升了学习效果和开放样本检测精度，在五个基准测试中创下新纪录。

本研究提出了一种基于能量的主动开放集标注框架（EAOA），旨在解决主动学习在开放集类别中的挑战。该框架通过整合认知不确定性和随机不确定性，采用自适应采样策略，提高了查询精度和模型性能，效果优于现有方法。

该研究提出了一种双重概率对齐框架，有效解决了领域自适应物体检测中的开放集、部分集和闭合集域适应性问题，显著提升了检测性能。

本研究提出了特征空间语义不变性(FSI)框架，以解决开放集领域泛化中的未知类别样本检测问题。该方法通过保持特征空间中的语义一致性，提高了对未知领域实例的检测准确性。在ColoredMNIST数据集上的实验结果显示，AUROC提升了9.1%至18.9%。

本研究提出了一种新方法，解决开放集单源域泛化中的源域稀缺性和目标域未知数据分布问题。通过背景抑制和风格增强合成新样本，并利用边缘图扩展类间边界，显著提高了未知类的识别能力。实验结果表明，该方法在多个跨域图像分类数据集上表现优异。

全景场景图生成（PSG）旨在分割图像中的对象并识别其关系。传统方法仅适用于封闭集，无法处理开放集关系。本文提出OpenPSG，结合预训练模型，实现开放集关系预测。通过引入关系查询变换器，提取对象对特征并判断关系，显著提升预测效率。实验结果表明，OpenPSG在开放集关系预测和全景场景图生成方面表现优异。

本研究聚焦于遥感图像的开放集语义分割技术，提出了一种新方法并进行评估，结果显示其在多个数据集上具有竞争力的准确性。同时，构建了大规模多模态数据集，推动开放词汇检测和分割的进展，提出新的任务和框架，以提升遥感领域的视觉-语言模型性能。

本文提出了一种新的对比学习方法，通过结合开放集样本与闭集样本，提高模型在标签噪声下的准确性和鲁棒性。研究还介绍了正则化方法和新的迭代学习框架，以解决嘈杂标签问题，实验结果表明该方法在开放集和闭集分类中表现优异。