DA-CIL：面向域自适应的类别增量三维目标检测
计算机视觉与模式识别
2022-12-06 v1 人工智能
图像与视频处理
摘要
随着大规模点云数据集的出现，深度学习在三维目标检测中取得了显著成功。然而，当类别数量未知或可能变化时，过去训练类别上的严重性能退化（即灾难性遗忘）仍是实际部署中的关键问题。此外，现有的三维类别增量检测方法针对单域场景开发，在遇到由不同数据集、多变环境等引起的域偏移时便会失效。本文确定了尚未被探索但颇具价值的场景，即域偏移下的类别增量学习，并提出了一种新颖的三维域自适应类别增量目标检测框架 DA-CIL，其中我们设计了一种新颖的双域复制粘贴增强方法，构建多个增强域以丰富训练分布，从而促进渐进式域适应。随后，我们探索了多层次一致性，以推动来自不同域的双教师知识蒸馏，用于域自适应类别增量学习。在多个数据集上的大量实验证明了所提方法在域自适应类别增量学习场景下相对于基线的有效性。
引用
@article{arxiv.2212.02057,
title = {DA-CIL: Towards Domain Adaptive Class-Incremental 3D Object Detection},
author = {Ziyuan Zhao and Mingxi Xu and Peisheng Qian and Ramanpreet Singh Pahwa and Richard Chang},
journal= {arXiv preprint arXiv:2212.02057},
year = {2022}
}
备注
Accepted by the 33rd British Machine Vision Conference (BMVC 2022)