持续适应：环境条件参数生成用于动态场景中的目标检测
计算机视觉与模式识别
2025-07-01 v1
摘要
在实际应用中，环境随时间和空间不断变化，对基于封闭集假设训练的目标检测器构成重大挑战，即训练和测试数据共享相同的分布。为此，持续测试时适应引起了广泛关注，旨在通过微调特定参数（例如 BatchNorm 层）来提高检测器的概括能力。然而，基于有限数量的测试图像微调某些参数可能影响其他固定参数的表征能力，导致性能下降。我们探索了一种新的机制，即将微调过程转换为特定参数生成。特别地，我们首先设计一种基于 LoRA 的双路径域感知适配器，将特征分解为域不可变和域特定组件，从而实现高效适应。此外，提出一种基于条件扩散的参数生成机制，用于根据当前环境综合适配器参数，防止优化陷入局部最优。最后，我们提出一种以类别为中心的最优传输对齐方法以缓解灾难性遗忘。在各种持续域自适应目标检测任务上进行的大量实验表明其有效性。同时，可视化结果显示，由生成参数提取的表征能够捕获更多与目标相关的信息并增强概括能力。
引用
@article{arxiv.2506.24063,
title = {Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios},
author = {Deng Li and Aming Wu and Yang Li and Yaowei Wang and Yahong Han},
journal= {arXiv preprint arXiv:2506.24063},
year = {2025}
}