面向分布外行人检测的持续学习
计算机视觉与模式识别
2023-06-28 v1 人工智能
摘要
提出一种持续学习方案以解决行人检测的分布外泛化问题。尽管近期行人检测模型在各数据集上取得了令人印象深刻的性能，它们仍对推理数据分布的偏移敏感。我们的方法采用并修改弹性权重巩固（EWC）至主干目标检测网络，以基于模型权重对初始学习任务的重要性来惩罚其变化。我们表明，当使用一个数据集训练并用另一个微调时，我们的方案能学习新分布并在前一分布上保持性能，避免灾难性遗忘。我们使用两个流行数据集 CrowdHuman 与 CityPersons 进行跨数据集实验，并展示相较标准微调的显著提升，在 CrowdHuman 与 CityPersons 数据集上漏检率分别降低 9% 与 18%。
引用
@article{arxiv.2306.15117,
title = {Continual Learning for Out-of-Distribution Pedestrian Detection},
author = {Mahdiyar Molahasani and Ali Etemad and Michael Greenspan},
journal= {arXiv preprint arXiv:2306.15117},
year = {2023}
}