用于增量目标检测的持续检测Transformer
计算机视觉与模式识别
2023-04-07 v1
摘要
增量目标检测（IOD）旨在分阶段训练目标检测器，每个阶段提供新物体类别的标注。与其他增量设定一样，IOD面临灾难性遗忘问题，通常通过知识蒸馏（KD）和样本回放（ER）等技术解决。然而，若直接将KD和ER应用于最先进的基于Transformer的目标检测器（如Deformable DETR和UP-DETR），效果并不理想。本文中，我们通过提出ContinuaL DEtection TRansformer（CL-DETR）——一种基于Transformer的IOD新方法，使KD和ER在此背景下得以有效使用——解决了这些问题。首先，我们引入检测器知识蒸馏（DKD）损失，聚焦于模型旧版本中最具信息量和最可靠的预测，忽略冗余的背景预测，并确保与可用真实标签的兼容性。我们还通过提出一种校准策略改进ER，以保留训练集的标签分布，从而更好地匹配训练与测试统计。我们在COCO 2017上进行了大量实验，证明CL-DETR在IOD设定下取得了最先进（SOTA）结果。
引用
@article{arxiv.2304.03110,
title = {Continual Detection Transformer for Incremental Object Detection},
author = {Yaoyao Liu and Bernt Schiele and Andrea Vedaldi and Christian Rupprecht},
journal= {arXiv preprint arXiv:2304.03110},
year = {2023}
}
备注
Accepted to CVPR 2023