面向目标检测增量学习中缺失标注的建模
计算机视觉与模式识别
2022-04-22 v2
摘要
尽管目标检测领域近期取得进展，常见架构仍不擅长随时间增量检测新类别。它们易受灾难性遗忘影响：在缺乏原始训练数据时更新参数会遗忘已学内容。已有工作主要在目标检测任务中扩展标准分类方法，以采用知识蒸馏框架为主。然而，我们认为目标检测引入了一个被忽视的额外问题。当属于新类的物体借助标注被学习时，若对输入中可能仍存在的其他物体未提供监督，模型会学习将它们关联为背景区域。我们提出通过重新审视标准知识蒸馏框架来处理这些缺失标注。我们的方法在 Pascal-VOC 数据集的各设定下均优于当前最优方法。我们进一步提出对实例分割的扩展，同样优于其他基线。代码见：https://github.com/fcdl94/MMA
引用
@article{arxiv.2204.08766,
title = {Modeling Missing Annotations for Incremental Learning in Object Detection},
author = {Fabio Cermelli and Antonino Geraci and Dario Fontanel and Barbara Caputo},
journal= {arXiv preprint arXiv:2204.08766},
year = {2022}
}
备注
Accepted in CVPR-Workshop (CLVISION) 2022