来源：公众号“遥感与深度学习“
原文链接：https://mp\.weixin\.qq\.com/s/ojm6yRWRURFIL1UlD9ZwPw?scene=1&click\_id=138
题目：Prompt-Free Universal Region Proposal Network
***会议：The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026*
论文： https://arxiv\.org/abs/2603\.17554
数据： CD-FSOD benchmark、ODinW13 benchmark，共19个数据集
代码： https://github\.com/tangqh03/PF\-RPN
年份： 2026
单位： 南京大学、中国科学技术大学
CVPR2026 遥感AI方向合集：CVPR2026
创新点
背景
现有目标检测中的区域候选网络（RPN）在面对未见域时泛化能力不足，难以识别未知类别目标。开放词汇目标检测（OVD）方法虽具备一定泛化能力，但通常依赖类别名称或样例图像作为提示输入，在工业缺陷检测、水下目标检测等实际场景中提示信息往往不可获取，限制了其灵活性。
部分无提示OVD方法尝试借助生成式视觉语言大模型（VLM）自动生成描述以消除手动提示的依赖，但此类方法引入了显著的内存和推理延迟开销。因此，亟需一种高效的区域候选网络，能够在无任何外部提示的条件下跨域泛化，直接应用于多种下游检测任务。
数据
CD-FSOD Benchmark
ODinW13 Benchmark
训练数据
方法
PF-RPN总体框架
PF-RPN基于Grounding DINO构建，以可学习嵌入替代文本嵌入，通过纯视觉特征生成目标候选框，无需任何文本或图像提示。图像编码器提取多层次特征图后，依次经过SIA模块、CSP模块和CG-QS模块，最终输出高质量目标候选框。
结果与分析
PF-RPN在CD-FSOD和ODinW13共19个跨域数据集上均显著超越现有OVD模型、传统RPN及多模态大语言模型，展现出强大的零样本跨域泛化能力。此外，与同类无提示方法相比，PF-RPN在大幅提升检测性能的同时，推理速度和显存占用均具有明显优势，具备更高的实际部署价值。在遥感场景下，PF-RPN在DIOR数据集上同样取得了最优性能，显著领先于GLIP、YOLOE、YOLOWorld等对比方法，验证了其在遥感图像目标定位任务中的有效性。
[
](https://vip.yanxishe.com/?from=leiphonearticle)
原文链接: https://www.leiphone.com/category/ai/fs5AwUoVeExHKMfw.html
