开放世界目标检测（OWOD）要求模型在检测已知类别的同时，能够发现未知目标并在获得标注后进行增量学习。遥感影像中的目标往往存在潜在的层级关系，传统的欧氏空间难以充分表达这些结构，导致未知目标召回率和增量学习效果受限。为此，本文提出了 HyRS-OWOD，利用双曲几何来建模类别层级并提升 OWOD 性能。
为提高未知目标召回率，设计了两步发现机制。首先，Decoupled Objectness Learning（DOL）模块将前景感知与语义信息解耦，使前景提议能够从背景中独立分离。随后，Hyperbolic Uncertainty Learning（HUL）利用双曲嵌入的半径作为不确定性度量，实现已知‑未知的区分。
在增量学习方面，提出了 Hyperbolic Metric Learning（HML）策略，通过在双曲空间增强类间可分性，既方便新类别的加入，又抑制灾难性遗忘。
在三套遥感基准上进行实验，HyRS-OWOD 在未知召回率和增量学习指标上均显著超越现有最先进的 OWOD 方法。
点评