增强框回放：克服增量目标检测中的前景偏移
计算机视觉与模式识别
2023-07-25 v1 机器学习
摘要
在增量学习中，将先前任务的存储样本与当前任务样本一起回放是解决灾难性遗忘最高效的方法之一。然而，与增量分类不同，图像回放尚未成功应用于增量目标检测（IOD）。在本文中，我们指出被忽视的前景偏移问题是造成这一现象的主要原因。前景偏移仅在回放先前任务图像时发生，指的是这些图像的背景中可能包含当前任务的前景物体。为克服该问题，我们提出了一种新颖且高效的增强框回放（Augmented Box Replay, ABR）方法，该方法仅存储并回放前景物体，从而规避前景偏移问题。此外，我们提出了一种创新的注意力 RoI 蒸馏损失，利用感兴趣区域（RoI）特征的空间注意力来约束当前模型聚焦于旧模型中最重要信息。ABR 显著减少了先前类别的遗忘，同时保持了对当前类别的高可塑性。而且，与标准图像回放相比，它大幅降低了存储需求。在 Pascal-VOC 和 COCO 数据集上的综合实验证明了我们模型的 SOTA 性能。
引用
@article{arxiv.2307.12427,
title = {Augmented Box Replay: Overcoming Foreground Shift for Incremental Object Detection},
author = {Liu Yuyang and Cong Yang and Goswami Dipam and Liu Xialei and Joost van de Weijer},
journal= {arXiv preprint arXiv:2307.12427},
year = {2023}
}