FDCNet：用于类增量弱监督目标定位的特征漂移补偿网络
计算机视觉与模式识别
2023-09-19 v1 人工智能
摘要
本工作致力于类增量弱监督目标定位（CI-WSOL）任务。其目标是仅利用图像级标注逐步学习新类别的物体定位，同时保留对先前已学类别的定位能力。该任务十分重要，因为尽管目标定位在各类应用中至关重要，但为每个新到数据标注边界框代价高昂。据我们所知，我们是首个解决该任务的。因此，我们首先通过适配类增量分类器的策略来缓解灾难性遗忘，从而给出 CI-WSOL 的一个强基线方法。这些策略包括应用知识蒸馏、维护来自先前任务的少量数据集，以及使用余弦归一化。随后我们提出特征漂移补偿网络，以补偿特征漂移对类别得分与定位图的影响。由于更新网络参数学习新任务会引起特征漂移，对最终输出进行补偿是必要的。最后，我们在两个公开数据集（ImageNet-100 与 CUB-200）上通过实验评估了所提方法。实验结果表明，该方法优于其他基线方法。
引用
@article{arxiv.2309.09122,
title = {FDCNet: Feature Drift Compensation Network for Class-Incremental Weakly Supervised Object Localization},
author = {Sejin Park and Taehyung Lee and Yeejin Lee and Byeongkeun Kang},
journal= {arXiv preprint arXiv:2309.09122},
year = {2023}
}
备注
ACM Multimedia 2023