DuET：基于无类标示例的双增量目标检测
计算机视觉与模式识别
2025-08-05 v2
摘要
现实世界的对象检测系统（如自动驾驶和监视系统）必须持续学习新的目标类别，并同时适应不断变化的环境条件。现有方法（类增量目标检测 CIOD 和域增量目标检测 DIOD）仅解决这一挑战的一个方面。CIOD 在未见域中表现不佳，而 DIOD 在学习新类别时会遭受灾难性遗忘，限制了其实际应用。为克服这些限制，我们提出了双增量目标检测（DuIOD），一种在无类标示例方式下同时处理类别和域偏移的更实用的设置。我们提出 DuET，一种基于任务算术的方法融合框架，使增量学习保持稳定，同时通过新颖的方向一致性损失减轻符号冲突。与先前方法不同，DuET 与检测器无关，允许像 YOLO11 和 RT-DETR 这类模型作为实时增量目标检测器发挥作用。为全面评估保留与适应性，我们引入保留-适应性指数（RAI），将用于灾难性遗忘的平均保留指数（Avg RI）与用于域适应性的平均泛化指数综合为一个统一的度量标准。大量实验表明，DuET 在 Pascal 系列和多样天气系列上均表现出色，在 Pascal 系列（4 个任务）上实现了 +13.12% 的 RAI 提升，保留率达 89.3% Avg RI；在 Diverse Weather 系列（3 个任务）上实现了 +11.39% 的 RAI 提升，保留率达 88.57% Avg RI，超越现有方法。
引用
@article{arxiv.2506.21260,
title = {DuET: Dual Incremental Object Detection via Exemplar-Free Task Arithmetic},
author = {Munish Monga and Vishal Chudasama and Pankaj Wasnik and Biplab Banerjee},
journal= {arXiv preprint arXiv:2506.21260},
year = {2025}
}
备注
Accepted at ICCV 2025