الكشف عن الأشياء دون تدريب مسبق يهدف إلى دمج المتجهات الدلالية للتصنيف لتمكين الكشف عن فئات (معلومة وغير معلومة) معطى صورة اختبار غير مقيدة. في هذه الدراسة، نكشف عن التحديات الأساسية في هذا المجال البحثي: كيف يمكن تركيب خصائص منطقة قوية (للأشياء غير المعلومة) تكون متعددة داخل الفئة ومتفرقة بين الفئات مثل العينات الحقيقية، بحيث يمكن تدريب كاشفات أشياء قوية غير معلومة عليها. لمواجهة هذه التحديات، نقوم ببناء إطار جديد للكشف عن الأشياء دون تدريب مسبق يحتوي على مكون الانحراف الدلالي داخل الفئة ومكون الحفاظ على البنية بين الفئات. يستخدم المكون الأول لتحقيق التعيين من واحد إلى عدة لاستخراج الخصائص البصرية المتعددة من كل متجه دلالي للفئة، مما يمنع تصنيف الأشياء الحقيقية غير المعلومة خطأً كخلفيات للصورة. بينما يستخدم المكون الثاني لتجنب تشتت الخصائص التركيبية بشكل كبير يؤدي إلى الخلط بين العلاقات بين الفئات والخلفية-المقدمة. لإثبات فعالية النهج المقترح، تم إجراء تجارب شاملة على مجموعات البيانات PASCAL VOC وCOCO وDIOR. وبشكل ملفت، حقق نهجنا أداءً رائدًا جديدًا على PASCAL VOC وCOCO وهو أول دراسة تقوم بالكشف عن الأشياء دون تدريب مسبق في الصور الجغرافية المحسّسة (remote sensing imagery).