模型
SL-Ground
一种用于开放词汇目标检测的句级定位模型，将类别描述编码为完整句子级表示并直接与对象查询对齐打分，替代传统词元级短语定位框架，提升细粒度组合类别的检测性能
时间轴 (近 90 天)
10月20日
SL-Ground提出将每个类别描述编码为完整的句子级表示，让对象查询直接与整体表示打分，而非绕道词元。
待验证50%
10月20日
SL-Ground通过整句编码避免了提示分块需求，简化了部署流程并减少了长尾类别上的工程复杂度。
待验证50%
10月20日
作者构建了多粒度斯坦福汽车基准，覆盖车辆类型、品牌和具体车型三个层级。
待验证50%
10月20日
在车型粒度上，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）。
待验证50%
10月20日
采用全词汇表训练时，SL-Ground在车型粒度上AP进一步达到86.0。
待验证50%
10月20日
在FG-OVD基准上，SL-Ground取得对比方法中最佳的平均AP。
待验证50%
10月20日
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。
待验证50%
全部知识事实 (7)
待验证
SL-Ground提出将每个类别描述编码为完整的句子级表示，让对象查询直接与整体表示打分，而非绕道词元。
50%待验证SL-Ground通过整句编码避免了提示分块需求，简化了部署流程并减少了长尾类别上的工程复杂度。
50%待验证作者构建了多粒度斯坦福汽车基准，覆盖车辆类型、品牌和具体车型三个层级。
50%待验证在车型粒度上，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）。
50%待验证采用全词汇表训练时，SL-Ground在车型粒度上AP进一步达到86.0。
50%待验证在FG-OVD基准上，SL-Ground取得对比方法中最佳的平均AP。
50%待验证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。
50%