SL-Ground：句级定位如何突破细粒度开放词汇检测瓶颈

开放词汇目标检测（OVOD）的核心挑战在于，模型需要识别训练时从未见过的类别。主流方法基于短语定位框架：将文本描述拆解为词元（token），让对象查询与这些词元对齐，再通过词元到类别的聚合恢复类别得分。这一设计在通用场景下表现稳健，但当目标类别由完整的组合式描述定义时——比如"2018款保时捷911 Carrera"——孤立的词元证据反而成了瓶颈。

从词元到句子：一个被忽视的评分单元问题

研究者的观察切中要害：基于定位的检测器把类别得分建立在碎片化的词元匹配上，每个对象查询只与单个词元对齐，细粒度语义在执行聚合之前就已经散失。对于"车辆类型—品牌—车型"这类层级化标签，词元级评分无法区分"保时捷"与"保时捷911"之间的语义鸿沟，因为两者共享几乎相同的词元集合。

SL-Ground 提出的替代方案直截了当：把每个类别描述编码为一个完整的句子级表示，让对象查询直接与这个整体表示打分，而非绕道词元。这一改动看似简单，却改变了模型"看"文本的方式——从拼图式的碎片匹配，转向对组合描述的整句理解。

开放词汇目标检测（OVOD） 指模型在训练阶段仅见过部分类别，但在推理时需检测任意文本描述的目标类别。其核心挑战在于将文本语义映射到视觉区域，主流方法采用短语定位（phrase grounding） 框架：将类别名或描述拆分为词元（token），通过跨模态注意力让对象查询（object query）与词元对齐，再聚合词元得分得到类别置信度。这种设计依赖词元级匹配的灵活性，但在组合式描述（如“品牌+车型+年份”）下，孤立词元无法捕捉整体语义，导致细粒度类别得分失真。

提示分块（prompt chunking） 是词元级方法处理长文本描述的常见策略：由于检测器通常限制每个对象查询对齐的词元数量，长描述被切分为多个短片段分别打分再融合。这种做法虽能覆盖全部词元，却引入额外推理开销，且片段间语义割裂可能削弱组合一致性。SL-Ground 通过整句编码避免了分块需求，使模型能一次性处理完整描述，简化了部署流程并减少了长尾类别上的工程复杂度。

多粒度基准：斯坦福汽车的三层考验

为系统评估细粒度识别能力，作者构建了多粒度斯坦福汽车基准，覆盖三个层级：车辆类型、品牌和具体车型。这一设计让性能退化点得以精确定位。

结果颇具说服力。在最细的车型粒度上，SL-Ground 将 AP 从词元级变体的 14.5 提升至 70.6（匹配训练候选采样条件下）；若采用全词汇表训练，AP 进一步达到 86.0。同时，模型保持了开放词汇能力，且无需重复的提示分块（prompt chunking）——后者是词元级方法处理长描述时的常见妥协。

你可能没注意到，14.5 到 86.0 的跨度并非调参带来的边际改善，而是评分单元切换后细粒度语义得以保留的直接体现。在 FG-OVD 上，SL-Ground 同样取得对比方法中最佳的平均 AP，说明其收益不局限于单一数据集。

斯坦福汽车（Stanford Cars） 数据集包含 196 类车辆，每类由“品牌—车型—年份”组合定义，天然具备层级化标签结构。原文构建的多粒度基准将其划分为车辆类型（如轿车、SUV）、品牌（如保时捷）和具体车型（如 2018 款保时捷 911 Carrera）三个层级，用于诊断模型在不同语义粒度下的识别能力。这种分层评估能揭示词元级方法在细粒度层的性能塌陷，因为越细的类别共享越多词元，仅靠词元聚合难以区分。

为什么句级定位更适合细粒度 OVOD

词元级评分的根本局限在于信息瓶颈：聚合发生在打分之后，细粒度差异在聚合前已被稀释。句级表示则把组合语义前置到编码阶段，查询与描述的对齐发生在完整语义空间内。这解释了为何车型粒度受益最大——层级越深，组合描述与孤立词元的差距越明显。

另一个实际优势是工程简洁性。避免提示分块意味着更少的推理开销和更直接的部署路径，对需要处理大量长尾类别的实际系统而言，这一点不可忽视。

FG-OVD 是细粒度开放词汇检测的基准数据集，专注于区分同一大类下的细粒度子类（如不同车型、不同鸟种）。其评估指标为平均精度（AP），要求模型在未见过的细粒度类别上仍能准确定位并分类。SL-Ground 在该基准上取得对比方法中最佳平均 AP，表明句级评分单元不仅适用于汽车域，在更广泛的细粒度场景中也具备泛化优势，为开放词汇检测的文本侧设计提供了新思路。

局限与展望

当前评估集中在汽车域和 FG-OVD 基准，句级编码在更开放、更嘈杂的描述分布下是否同样稳健，仍有待验证。句子级表示的计算成本与词元级方法的对比也未在摘要中充分展开。不过，这项工作指出了一个清晰的方向：细粒度开放词汇检测的瓶颈可能不在检测器本身，而在文本侧评分单元的选择。

对于构建细粒度识别系统的实践者，SL-Ground 提供了一个值得关注的信号——当类别定义趋向组合式描述时，重新审视文本编码粒度，或许比堆叠检测头更有效。