在预训练检测器中实现稳定性与塑性之间的平衡：面向增量目标检测的双路径框架
计算机视觉与模式识别
2025-04-15 v1
摘要
预训练模型基于的增量目标检测（PTMIOD）中的稳定性与塑性之间的平衡仍是根本性挑战。虽然现有的 PTMIOD 方法在与预训练数据一致的领域任务上表现出色，但其对跨域情景的塑性仍未得到充分探讨。通过对预训练检测器进行系统性的组件级分析，我们揭示了一个根本性差异：定位模块显示出固有的跨域稳定性，能够在分布迁移中保持精确的边界框估计——而分类组件需要增强的塑性以缓解跨域情景中可辨识性下降。针对这些发现，我们构建一个基于预训练 DETR 检测器的双路径框架，分离定位稳定性和分类塑性：定位路径保持稳定性以保留预训练的定位知识，而分类路径通过参数高效微调实现塑性，并通过伪特征回放抵抗遗忘。对 MS COCO、PASCAL VOC 等领域内基准（TT100K）以及跨域（TT100K）进行广泛评估显示出最先进的性能，表明该方法在 PTMIOD 中有效平衡稳定性与塑性，实现了稳健的跨域适应和强大的抗遗忘能力。
引用
@article{arxiv.2504.10214,
title = {Balancing Stability and Plasticity in Pretrained Detector: A Dual-Path Framework for Incremental Object Detection},
author = {Songze Li and Qixing Xu and Tonghua Su and Xu-Yao Zhang and Zhongjie Wang},
journal= {arXiv preprint arXiv:2504.10214},
year = {2025}
}