Menschen haben ein natürliches Instinkt, unbekannte Objektinstanzen in ihrer Umgebung zu identifizieren. Die inhärente Neugier auf diese unbekannten Instanzen fördert das Lernen über sie, sobald das entsprechende Wissen verfügbar ist. Dies motiviert uns, ein neues Problem der Computer Vision vorzuschlagen, das wir als „Open World Object Detection“ (Offene Welt-Objekterkennung) bezeichnen. Dabei soll ein Modell 1) Objekte identifizieren, die ihm noch nicht vorgestellt wurden und als „unbekannt“ klassifiziert werden müssen, ohne explizite Überwachung dazu und 2) diese identifizierten unbekannten Kategorien inkrementell lernen, ohne vergessene zu lassen, die bereits gelernten Klassen, wenn die entsprechenden Labels schrittweise bereitgestellt werden. Wir formulieren das Problem, führen ein robustes Evaluationsprotokoll ein und präsentieren eine neuartige Lösung, die wir ORE: Open World Object Detector (Offene Welt-Objekterkennung) nennen. Diese Lösung basiert auf kontrastiver Clustering und energiebasierter Unbekanntenidentifikation. Unsere experimentelle Evaluation und Abschweifungsstudien analysieren die Effektivität von ORE bei der Erreichung von Offen-Welt-Zielen. Als interessantes Nebenprodukt stellen wir fest, dass die Identifikation und Charakterisierung von unbekannten Instanzen die Verwirrung in einem inkrementellen Objekterkennungssetting reduziert, wobei wir ohne zusätzliche methodische Anstrengungen den Stand der Technik erreichen. Wir hoffen, dass unsere Arbeit weitere Forschungen in diese neu identifizierte, aber entscheidende Forschungsrichtung anregen wird.