本文研究了目标检测模型的改进，提出了Query-Adaptive R-CNN、开放词汇检测（OVD）和视觉-语言知识蒸馏（ViLD）等新方法，以提升未知对象的检测和分类性能。实验结果表明，这些方法在多个数据集上显著提高了性能，尤其在长尾分类和零泛化能力方面表现突出。

本文研究了类别不平衡挑战对识别任务的影响，发现Sharpness-Aware Minimization (SAM)无法解决泛化问题。为此，提出了Imbalanced-SAM (ImbSAM)算法，通过限制类别无关的SAM的泛化范围来改善对尾类的泛化。实验证明ImbSAM在长尾分类和半监督异常检测等应用中显著提高了性能。