본 논문은 기존의 폐쇄 집합 가정 하에 작동하는 객체 탐지 방법의 한계를 극복하고자, 개방형 어휘 객체 탐지(OVD)에 초점을 맞추고 있습니다. OVD는 사전에 정의된 고정된 수의 객체만 탐지할 수 있는 기존 방법과 달리, 원칙적으로 무한한 어휘로 객체를 탐지할 수 있게 합니다. 하지만 기존 OVD는 정확한 프롬프트를 필요로 하고, 분포 외 객체(NOOD, FOOD)를 제대로 처리하지 못하는 한계가 있습니다. 이를 해결하기 위해, 본 논문에서는 미지의 객체를 식별하고 점진적으로 학습하는 프레임워크를 제안합니다. 특히, 미지의 객체(FOOD) 탐지를 위해 Open World Embedding Learning (OWEL)과 Pseudo Unknown Embedding 개념을 도입하여 미지 클래스의 위치를 추론하고, Multi-Scale Contrastive Anchor Learning (MSCAL)을 통해 잘못 분류된 미지 객체를 식별합니다. 제안된 방법은 표준 개방형 세계 객체 탐지 및 자율 주행 벤치마크에서 최첨단 성능을 달성하면서 개방형 어휘 객체 탐지 기능을 유지합니다.
