개방적인 시나리오에서 새로운 디텍터 개념의 이해도가 낮고 라벨 혼란 및 새로운 오브젝트 검출의 성능이 부족한 문제에 대해, 지식 삽입을 이중 병합으로 이끄는 개방적 오브젝트 검출 향상 방법이 제안되었다. 먼저 시각 언어 모델(VLM)에 의해 생성된 가짜 라벨을 사용하여 새로운 개념을 학습하는 데 도움이 될 수 있도록 디텍터에 삽입하는 지식 삽입(KI) 모듈을 설계했다. 그런 다음에는 다단계 임계값 조정과 기본 클래스-새로운 클래스 독립 매칭을 통한 라벨 매칭(LM) 모듈을 제안하여 디텍터 훈련 과정에서 기본 클래스와 새로운 클래스 라벨 혼란을 완화시키고자 했다. 마지막으로, 전통적 시각 분기와 시각 언어 분기가 기하평균적인 방법을 통해 병합되어 새로운 이중 분기 병합(DBF) 모듈을 구성하였다. 이 모듈은 기본 클래스 검출 정확도를 유지하면서 새로운 오브젝트를 더 효과적으로 발견하고 위치시킬 수 있으며, 이를 통해 KI-DBFOVD 방법의 전체적인 검출 성능을 더욱 향상시킨다. 실험 결과에 따르면, 본 논문에서 제안된 방법은 COCO 데이터셋에서 새로운 클래스의 검출 정확도를 38.6%로 달성했고, 보다 다양하고 어려운 검출 클래스를 포함하는 LVIS 데이터셋에서 새로운 클래스의 검출 정확도를 25.4%로 달성했으며, 이는 여러 주요 방법들을 능가하며 다양한 개방적인 시나리오에 더 나은 적용이 가능하다.

개방적 오브젝트 검출; 지식 삽입; 라벨 매칭; 이중 병합