植物与病害检测的类别增量学习：利用知识蒸馏生长分支
计算机视觉与模式识别
2023-09-12 v2
摘要
本文研究了农业应用中的类别增量目标检测问题，即模型需要逐步学习新的植物物种和病害而不遗忘先前已学的类别。我们调整了两个公开数据集，使其随时间包含新类别，以模拟更真实和动态的情境。随后，我们比较了三种利用不同形式知识蒸馏来缓解灾难性遗忘的类别增量学习方法。我们的实验表明，这三种方法均受到灾难性遗忘的影响，但 Dynamic Y-KD 方法（额外使用动态架构，通过生长新分支来学习新任务）在大多数设定下对新旧类别均优于 ILOD 和 Faster-ILOD。这些结果凸显了农业应用持续目标检测的机遇与挑战。特别地，我们假设植物图像典型的大类内差异和小类间差异加剧了在不干扰已有知识情况下学习新类别的难度。我们公开了代码以鼓励未来研究。
引用
@article{arxiv.2304.06619,
title = {Class-Incremental Learning of Plant and Disease Detection: Growing Branches with Knowledge Distillation},
author = {Mathieu Pagé Fortin},
journal= {arXiv preprint arXiv:2304.06619},
year = {2023}
}
备注
Accepted at CVPPA'23