面向机器人学的增量少样本目标检测

增量少样本学习在实际机器人应用中备受期待。一方面，希望机器人仅用少量标注训练样本即可快速灵活地学习新任务；另一方面，此类新增任务应以连续增量方式学习，而不显著遗忘先前所学知识。本文提出一种新颖的类增量少样本目标检测（CI-FSOD）框架，使深度目标检测网络能仅从少样本中学习并有效持续学习，而无需重新访问先前的训练数据。我们通过为广泛使用的 Faster-RCNN 检测器配备三个精巧组件来实现这一点。首先，为最好地保持预训练基类的性能，我们提出一种新颖的双嵌入空间（DES）架构，将基类与新颖类别的表示学习解耦到不同空间。其次，为缓解在累积新颖类上的灾难性遗忘，我们提出一种序贯模型融合（SMF）方法，其能实现长期记忆而无需额外存储开销。第三，为促进特征空间中的任务间类分离，我们提出一种新颖正则化技术，将分类边界进一步推离先前类别以避免误分类。总体而言，我们的框架简洁而有效，并以 2.4 个 AP 性能点的显著优势超越先前 SOTA。