본 논문은 소스 도메인에서 사전 훈련된 검출기를 레이블이 없는 타겟 도메인에 적용하는 소스 없는 객체 검출 문제를 다룬다. 기존 소스 없는 객체 검출은 타겟 도메인에 소스 도메인의 사전 정의된 객체만 존재한다는 제한적인 가정 하에 작동하여 미정의 객체를 검출할 수 없다는 한계를 지닌다. 이를 해결하기 위해, 본 논문은 알려진 객체를 인식하는 동시에 미정의 객체를 '알 수 없는 객체'로 검출하는 새로운 시나리오인 소스 없는 알 수 없는 객체 검출(SFUOD)을 제안한다. 이를 위해, 본 논문은 CollaPAUL이라는 새로운 프레임워크를 제시한다. CollaPAUL은 교차 도메인 어텐션 메커니즘을 통해 보조 인코더로부터 타겟 의존적 지식과 사전 훈련된 검출기로부터 소스 의존적 지식을 통합하여 지식 적응을 향상시키는 협업 조정(Collaborative tuning)과 주성분 축 투영 및 모델 예측의 신뢰도 점수를 통해 객체성을 추정하여 미지의 객체에 의사 레이블을 할당하는 주성분 축 기반 알 수 없는 레이블링(Principal Axis-based Unknown Labeling)을 사용한다. 실험 결과, CollaPAUL은 SFUOD 벤치마크에서 최첨단 성능을 달성했다.
