शोधकर्ताओं ने VocaDet का प्रस्ताव किया है, जो ओपन-वोकाबुलरी ऑब्जेक्ट डिटेक्शन और सेगमेंटेशन के लिए एक फ्रेमवर्क है जो मॉडल को पुनः प्रशिक्षित करने की आवश्यकता के बिना उपयोगकर्ता द्वारा प्रदान किए गए सकारात्मक और नकारात्मक नमूनों से सीधे अवधारणाओं का अध्ययन करता है। सिस्टम DINOv3 और एग्लोमरेटिव क्लस्टरिंग का उपयोग करके निरंतर दृश्य प्रतिनिधित्वों को विविक्त दृश्य टोकन में परिवर्तित करता है, और उन्हें कुशल पुनर्प्राप्ति-आधारित पहचान के लिए एक विस्तारणीय वेक्टर डेटाबेस में संग्रहीत करता है।
- अनुकूली संवेदनशीलता के साथ एग्लोमरेटिव क्लस्टरिंग के माध्यम से बहु-ग्रैन्युलरिटी दृश्य टोकन उत्पन्न करने के लिए DINOv3 को दृश्य फीचर एक्सट्रैक्टर के रूप में उपयोग करता है।
- स्थिति-निर्देशित प्रतिनिधित्वों और स्थानिक टोपोलॉजी जानकारी को एक वेक्टर डेटाबेस में विस्तारणीय ऑब्जेक्ट मेमोरी के रूप में संग्रहीत करता है।
- निश्चित कैमरा दृश्यों में बारंबार पृष्ठभूमि पैटर्न को हटाने और अनावश्यक पुनर्प्राप्ति संचालनों को कम करने के लिए एक पृष्ठभूमि फ़िल्टरिंग तंत्र लागू करता है।
- UA-DETRAC डेटासेट पर पारंपरिक डिटेक्टर प्रशिक्षण के बिना प्रभावी ओपन-वोकाबुलरी डिटेक्शन प्रदर्शन का प्रदर्शन करता है।
Vocaet अतिरिक्त नमूनों के संचय के साथ निरंतर विस्तारणीय पहचान क्षमता का समर्थन करता है, जो टेस्ट-प्रॉम्प्ट या सीमित-उदाहरण दृष्टिकोणों में पाए गए स्केलेबिलिटी मुद्दों को संबोधित करता है।