用于增量目标计数的密度图蒸馏
计算机视觉与模式识别
2023-04-12 v1
摘要
我们研究目标计数的增量学习问题，其中方法必须从一个数据集序列中学习计数多种目标类别。朴素的增量目标计数方法会遭受灾难性遗忘，即在先前任务上出现剧烈性能下降。本文提出一种新的无 exemplar 的函数正则化方法，称为密度图蒸馏（DMD）。训练期间，我们为每个任务引入一个新的计数头，并引入蒸馏损失以防止遗忘先前任务。此外，我们引入一个跨任务适配器，将当前主干的特征投影到先前主干。该投影器允许学习新特征，同时主干保留先前任务的相关特征。最后，我们建立了计数新目标的增量学习实验。结果证实我们的方法大幅减少灾难性遗忘，并优于现有方法。
引用
@article{arxiv.2304.05255,
title = {Density Map Distillation for Incremental Object Counting},
author = {Chenshen Wu and Joost van de Weijer},
journal= {arXiv preprint arXiv:2304.05255},
year = {2023}
}
备注
Accepted at CVPR2023: Workshop on Continual Learning in Computer Vision