面向基于 Transformer 的增量目标检测：更佳匹配、更少遗忘
计算机视觉与模式识别
2026-03-03 v1
摘要
增量目标检测 (IOD) 旨在不遗忘先前学习的目标的同时持续学习新目标类别。一个持久挑战是灾难性遗忘，主要归因于常规检测器中的背景漂移。虽然伪标签方法在稠密检测器中缓解了这一问题，但我们发现一种特定于 DETR 类架构的新型遗忘来源：背景前景化。这源于匈牙利匹配器的完备性约束，强行为每个 ground truth 目标分配一个预测，即使预测主要覆盖背景区域（即 IoU 较低）。这种错误的监督迫使模型将背景特征误分类为特定的前景类别，扰乱已学习的表征并加速遗忘。为此，我们提出了质量导向的最小费用最大流 (Q-MCMF) 匹配器。为避免强制分配，Q-MCMF 构建流图并基于几何质量修剪不合理的匹配，然后优化最终匹配，以最小化费用并最大化有效分配。该策略消除了背景前景化造成的有害监督，同时最大化前景学习信号。在各种增量设置下的 COCO 数据集上的大量实验表明，我们的方法在已有方法中始终显著优于现有的状态-of-the-art 方案。
引用
@article{arxiv.2603.01524,
title = {Better Matching, Less Forgetting: A Quality-Guided Matcher for Transformer-based Incremental Object Detection},
author = {Qirui Wu and Shizhou Zhang and De Cheng and Yinghui Xing and Lingyan Ran and Dahu Shi and Peng Wang},
journal= {arXiv preprint arXiv:2603.01524},
year = {2026}
}
备注
Accepted in AAAI2026