走出相似语义空间：开放词汇分割

基于摘要分析。该研究针对开放词汇分割：以文本输入为引导，对任意类别进行分割。作者认为，现有测试集的语义空间与训练空间过于接近，且存在类别重叠，因此提出语义差异更大的评估基准 OpenBench，并提出方法 OVSNet，以改善多样化开放场景中的分割表现。 评估贡献在于重新审视“开放词汇”能力的测量方式。作者报告，在 OpenBench 上测试现有方法时，得到的表现与既有测试集所支持的结论不同。但摘要未说明语义差异的度量、训练与测试类别的构建方式、重叠控制或具体排名变化，因此尚不能判断这些变化由哪些因素驱动。 方法方面，OVSNet 结合异构特征融合与作者所称的“无额外成本的训练空间扩展”。摘要未披露特征来源、融合结构、扩展对象、监督方式，以及“无额外成本”的具体口径。作者报告，OVSNet 在既有数据集和 OpenBench 上均达到最先进结果；摘要未提供数据集名称、指标、数值及对照协议，该结论的适用范围尚待全文核对。 复现时需优先核对 OpenBench 的数据构成与语义划分、各方法使用的预训练及训练数据、统一评估设置，以及两项方法设计的独立贡献。实验协议、消融及统计信息尚未验证。本文主要研究对象是视觉开放词汇分割，所给材料未提供 EEG 或 BCI 验证，也不足以建立具体迁移机制。