DCA：分割并征服增量对象检测中的遗忘问题
计算机视觉与模式识别
2025-03-20 v1
摘要
增量对象检测（IOD）旨在培育能够持续局化和识别新类同时保持对先前类的性能的对象检测器。现有方法通过改进基于 transformer 的检测框架中的知识蒸馏和样本重放，取得了一定成果，但内在的遗忘机制仍未得到充分探讨。本文深入分析遗忘原因，发现基于 transformer 的 IOD 中局化与识别之间存在遗忘不平衡，即局化遗忘较小且能泛化至未来类，而识别则发生灾难性遗忘。基于这些洞察，我们提出一种分割并征服遗忘（Divide-and-Conquer Amnesia, DCA）策略，将基于 transformer 的 IOD 重构为局化随后识别的过程。DCA 能良好保持和传递局化能力，使其脆弱的识别遗忘得到特殊克服。为减少识别中的特征漂移，我们利用预训练语言模型编码的语义知识在增量任务中的统一特征空间中锚定类表示。这涉及设计双重分类器融合并以查询形式将类语义特征嵌入识别解码过程。广泛实验验证表明，我们的方法实现了最先进的性能，尤其在长期增量情景下。例如，在 MS-COCO 上的四步设置下，我们的 DCA 策略将最终 AP 提升了 6.9%。
关键词
引用
@article{arxiv.2503.15295,
title = {DCA: Dividing and Conquering Amnesia in Incremental Object Detection},
author = {Aoting Zhang and Dongbao Yang and Chang Liu and Xiaopeng Hong and Miao Shang and Yu Zhou},
journal= {arXiv preprint arXiv:2503.15295},
year = {2025}
}
备注
Accepted by AAAI 2025