🔍 تشخیص اشیاء در دنیای باز؛ بدون نیاز به داده‌های قدیمی!

محققان در مطالعه‌ای جدید، فریم‌ورک نوآورانه REAL-OW را معرفی کرده‌اند که تحولی در حوزه «تشخیص اشیاء در دنیای باز» (Open-World Object Detection) ایجاد می‌کند.

تکنیک‌های قبلی برای یادگیری دسته‌بندی‌های جدید، به ذخیره داده‌های قبلی نیاز داشتند که هم فضای زیادی می‌گرفت و هم چالش‌های امنیتی ایجاد می‌کرد. اما REAL-OW با استفاده از:

✅ معماری تطبیقی (LoRA): برای یادگیری بدون نیاز به بازپخش داده‌های قدیمی.
✅ مدل‌سازی دو مرحله‌ای (DSOM): برای تفکیک دقیق‌تر اشیاء شناخته‌شده از ناشناخته.

این مدل می‌تواند بدون فراموشی دانش قبلی، اشیاء جدید را شناسایی کند و برای کاربردهایی که محدودیت دسترسی به داده دارند، فوق‌العاده کاربردی است. 🚀

منبع: arXiv Computer Vision