تتطلب تكنولوجيا اكتشاف الكائنات غير المعروفة (Open-world object detection - OWOD) من النماذج القدرة على التعرف على كائنات غير معروفة وتعلمها تدريجيًا في حالة توفر تسميات جديدة. في صور الاستشعار عن بعد، تمثل فئات الكائنات تعقيدات وكثيرًا ما تكون هذه العلاقات هرمية خفية، مما يحد من دقة النماذج في التعرف على الكائنات غير المعروفة وأداء التعلم التدريجي.

ولمعالجة هذا التحدي، ظهرت دراسة جديدة تقدم نموذجًا مبتكرًا يسمى HyRS-OWOD الذي يعتمد على الهندسة غير الإقليدية. هذا النموذج يقدم آلية اكتشاف جديدة من خطوتين: أولاً، يعتمد على وحدة تعلم الكائنات المفككة (Decoupled Objectness Learning - DOL) التي تفصل بين إدراك المقدمة والمعلومات الدلالية، مما يساعد في استبعاد المقترحات الخلفية ضوءًا على المقدمة. ثانيًا، يتضمن نموذج هول (Hyperbolic Uncertainty Learning - HUL) الذي يستفيد من قياسات الهندسة غير الإقليدية كإشارة معرفية تسهم في تمييز المعروف عن غير المعروف بدقة أعلى.

لضمان إمكانية التعلم التدريجي، تم تطوير استراتيجية تعلم المقياس الهندسي غير الإقليدي (Hyperbolic Metric Learning - HML) التي تعزز الفصل بين الفئات، مما يسمح بإضافة فئات جديدة مع الحد من ظاهرة النسيان الكارثي التي تواجه معظم الأنظمة المعتمدة على التعلم العميق.

أظهرت التجارب على ثلاثة معايير استشعار عن بعد تحسنات ملحوظة فيما يتعلق باسترجاع الكائنات غير المعروفة وقدرة التعلم التدريجي مقارنةً بأحدث الطرق الموجودة في OWOD.