面向Transformer-based增量目标检测的动态对象查询

增量目标检测(IOD)旨在顺序学习新类别，同时保持定位和识别旧类别的能力。由于训练数据仅带有新类别的标注，IOD会遭受灾难性遗忘。先前的方法主要通过知识蒸馏和 exemplar重播来解决遗忘问题，忽略了模型容量有限与知识增加之间的冲突。本文探索了基于Transformer架构的动态对象查询用于增量目标检测。我们提出了基于动态对象查询的检测转换器(DyQ-DETR)，通过扩展模型表示能力来实现稳定性-塑性权衡。首先，输入一组新的可学习对象查询以表示新类别。这些新的对象查询与之前阶段的查询相聚，以适应旧知识和新知识。其次，基于解�排自注意力，提出针对不同阶段对象查询的孤立双向匹配。消除不同阶段查询之间的相互作用，以减少类别间的混淆。由于对对象查询进行独立的监督和计算，我们进一步提出了风险平衡的部分校准，以有效进行exemplar重播。广泛的实验表明，DyQ-DETR显著优于最新方法，仅引入有限的参数开销。代码将公开发布。