桥接过去与未来：克服增量目标检测中的信息不对称
计算机视觉与模式识别
2024-07-17 v1
摘要
在增量目标检测中，知识蒸馏已被证明是有效缓解灾难性遗忘的有效方法。然而，先前的工作侧重于保留旧模型的知识，忽视了图像可能同时包含过去、 present 和未来阶段的类别。对象的共现使得不同阶段的优化目标不一致，因为前景目标的定义在各阶段不同，这大大限制了模型的性能。为此，我们提出了一种称为“桥接过去与未来”(BPF)的方法，通过跨阶段对齐模型，确保优化方向的一致性。此外，我们提出了一种新型的基于未来蒸馏(DwF)损失，充分利用背景概率来缓解旧类的遗忘，同时确保对新类别学习的高适应性。在Pascal VOC和MS COCO基准上进行了大量实验。无需存储，BPF在各种设置下均优于当前最先进的方法。代码已公开：https://github.com/iSEE-Laboratory/BPF。
引用
@article{arxiv.2407.11499,
title = {Bridge Past and Future: Overcoming Information Asymmetry in Incremental Object Detection},
author = {Qijie Mo and Yipeng Gao and Shenghao Fu and Junkai Yan and Ancong Wu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2407.11499},
year = {2024}
}
备注
Accepted to ECCV 2024