利用无标签真实场景数据弥合非共现以进行增量目标检测
计算机视觉与模式识别
2021-10-29 v1
摘要
深度网络在目标检测任务中已取得显著成果。然而，当它们随后在不含任何最初用于训练模型的基类样本的新类上训练时，性能会出现严重下降。该现象被称为灾难性遗忘。近来，若干增量学习方法被提出以缓解目标检测中的灾难性遗忘。尽管有效，这些方法要求未标注基类在新类训练数据中共现。该要求在许多真实场景中不切实际，因为基类未必与新类共现。鉴于此局限，我们考虑一种更实际的设定：目标检测任务中基类与新类完全不共现。我们提出利用无标签真实场景 (in-the-wild) 数据，在训练额外新类时弥合因基类缺失导致的非共现。为此，我们引入一种基于基类模型与预训练新类模型响应、从大型真实场景数据集中筛选较小相关数据集用于增量学习的盲采样策略。随后，我们设计双教师蒸馏框架，利用采样的真实场景数据，将基类与新类教师模型蒸馏所得知识迁移至学生模型。在 PASCAL VOC 与 MS COCO 数据集上的实验结果表明，当训练时基类与新类间无共现，我们所提方法显著优于其他最先进的类增量目标检测方法。
引用
@article{arxiv.2110.15017,
title = {Bridging Non Co-occurrence with Unlabeled In-the-wild Data for Incremental Object Detection},
author = {Na Dong and Yongqiang Zhang and Mingli Ding and Gim Hee Lee},
journal= {arXiv preprint arXiv:2110.15017},
year = {2021}
}
备注
Accepted paper at NeurIPS 2021