MR-GDINO：高效的开放世界持续目标检测
计算机视觉与模式识别
2024-12-24 v2
摘要
开放世界（OW）识别与检测模型表现出强大的零样态和少样本适应能力，激发了其作为持续学习方法初始化的应用，以提升性能。尽管在已见类别上取得了有前景的結果，但由于灾难性遗忘，OW能力在未见类别上大幅退化。为解决这一挑战，我们提出了开放世界持续目标检测任务，要求检测器在持续学习情境下对旧类、新类和未见类别进行泛化。基于此任务，我们构建了一个具有挑战性且实用的OW-COD基准，以评估检测能力。目标是鼓励OW检测器在少数样本适应下，同时保持已学习类别、适应新类别并维持开放世界能力。在未见类别上缓解遗忘，我们提出了MR-GDINO，一种通过内存池内的记忆与检索机制构建的强大、高效且可扩展的基线。实验结果表明，现有持续检测器在已见和未见类别上均 suffer 严重遗忘，而MR-GDINO仅需0.1%激活的额外参数，即可在旧类、新类和未见类别上实现最佳性能。
引用
@article{arxiv.2412.15979,
title = {MR-GDINO: Efficient Open-World Continual Object Detection},
author = {Bowen Dong and Zitong Huang and Guanglei Yang and Lei Zhang and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2412.15979},
year = {2024}
}
备注
Website: https://m1saka.moe/owcod/ . Code is available at: https://github.com/DongSky/MR-GDINO