学习因果特征用于增量目标检测

目标检测在训练阶段限制了其可识别的类别，无法覆盖用户感兴趣的所有物体。为了满足实际需求，检测器的增量学习能力成为现实应用的关键因素。不幸的是，神经网络在实施新任务时不可避免地会遇到灾难性遗忘问题。为此，许多增量目标检测模型通过重放样本或从先前模型蒸馏来保留先前任务的知识。然而，它们忽略了一个重要因素，即模型的性能主要取决于其特征。这些模型试图用先前的样本来唤醒神经网络的记忆，而不是防止遗忘。为此，本文提出了一种通过因果特征学习的增量因果目标检测 (ICOD) 模型，以适应更多任务。传统的目标检测模型不可避免地依赖数据偏差或数据特定特征来获得检测结果，这无法适应新任务。当模型面临增量学习需求时，数据偏差信息对新任务无益，增量学习可能会消除这些特征并导致遗忘。因此，我们的 ICOD 旨在训练检测器时学习因果特征，而非数据偏差特征。因此，当模型实施新任务时，旧任务的因果特征可以辅助增量学习过程，缓解灾难性遗忘问题。我们在多个实验上进行了模型验证，结果表明无数据偏差的因果特征能使模型更好地适应新任务。