DitHub：把目标检测做成“Git 分支管理”

DitHub: A Modular Framework for Incremental Open-Vocabulary Object Detection一句话先说结论DitHub 这篇论文最有意思的地方，不是把检测器“再训强一点”，而是换了个思路：把新知识拆成一个个小模块来管理。以后模型学会“狗”“热成像中的人”“稀有蘑菇”，不一定要全塞进同一套权重里，而是像 Git 一样，给每个类别或任务维护自己的“分支”，需要的时候再 fetch、再 merge。论文作者发现，这种方式不仅更灵活，而且在增量开放词表检测上效果还真更好，在 ODinW-13 和他们新建的 ODinW-O 上都拿到了 SOTA。1. 这篇论文想解决什么问题？先解释一下背景。传统目标检测一般是“封闭类别”的：猫狗车人这些类别，训练前就定好了。而开放词表检测不一样，它允许你在推理时直接输入文本提示，比如“axolotl（美西螈）”“thermal person（热成像中的人）”，模型也要尽量把目标找出来。这类方法通常建立在视觉-语言预训练模型之上，比如 GLIP、Grounding DINO。问题来了：虽然这类模型零样本泛化很强，但要把它持续用于真实世界，就会遇到一个很烦的事：今天你想让它更会识别“蘑菇”明天你又想增强“热成像中的人”后天又想补一个很少见的新类别很多现有方法的做法是：把新知识继续压进同一套权重里。论文把这种方式叫 monolithic adaptation（单体式适配）。它的问题很像：你把所有项目都写进一个超大的单文件脚本里，短期能跑，长期就会越来越难维护。某个类别想单独升级、回退、删除，都会变得很别扭，而且不同知识之间还可能互相干扰。2. DitHub 的核心想法：别把知识都塞