层次化神经坍缩检测变换器用于类增量目标检测
计算机视觉与模式识别
2025-06-11 v1
摘要
最近，目标检测模型取得了显著的性能提升，尤其是基于变换器的模型。然而，新对象频繁出现在实际世界中，需要检测模型在不受灾难性遗忘的情况下持续学习。虽然 Incremental Object Detection（IOD）已出现来解决这一挑战，但这些现有模型仍不实用，由于性能有限和推理时间延长。本文引入了一种新框架用于 IOD，称为 Hier-DETR：层次化神经坍缩检测变换器，通过利用不平衡数据集的神经坍缩和类别标签的层次化关系，确保效率和竞争性能。
引用
@article{arxiv.2506.08562,
title = {Hierarchical Neural Collapse Detection Transformer for Class Incremental Object Detection},
author = {Duc Thanh Pham and Hong Dang Nguyen and Nhat Minh Nguyen Quoc and Linh Ngo Van and Sang Dinh Viet and Duc Anh Nguyen},
journal= {arXiv preprint arXiv:2506.08562},
year = {2025}
}