教 YOLO 记住：面向持续目标检测的自蒸馈方法
机器学习
2025-06-17 v2
摘要
实时目标检测器如 YOLO 在针对大型数据集训练多个时期后表现卓越。然而，在数据逐渐到达的实际场景中，神经网络会遭受灾难性遗忘，导致丢失先前学习的知识。为解决此问题，先前的研究探索了在目标检测持续学习中进行类别递增学习 (CIL) 的策略，大多数方法专注于两阶段目标检测器。然而，现有工作表明，由于噪声回归输出，学习而不忘记 (LwF) 可能对类似 YOLO 这样的单阶段锚框自由检测器效果不佳，这会风险传递损坏的知识。本文我们引入 YOLO LwF，一种针对 YOLO 基于持续目标检测的自蒸馈方法。我们演示了当结合回放记忆时，YOLO LwF 能显著缓解遗忘。与以前的方法相比，它在 VOC 和 COCO 基准测试中分别将 mAP 提高了 +2.1% 和 +2.9%。
引用
@article{arxiv.2503.04687,
title = {Compositional World Knowledge leads to High Utility Synthetic data},
author = {Sachit Gaudi and Gautam Sreekumar and Vishnu Boddeti},
journal= {arXiv preprint arXiv:2503.04687},
year = {2025}
}