用于增量目标检测的多视角关联蒸馏
计算机视觉与模式识别
2021-07-06 v1
摘要
在实际应用中，当检测模型已在具有固定类别的既定数据集上训练完成后，新的目标类别往往会不断出现。由于旧数据的存储负担与隐私问题，有时用新旧数据从头训练模型是不现实的。仅用新数据微调旧模型会导致众所周知的灾难性遗忘现象，严重降低现代目标检测器的性能。本文提出一种新颖的基于多视角关联蒸馏（MVCD）的增量目标检测方法，其探索了两阶段目标检测器（Faster R-CNN）特征空间中的关联。为更好地迁移从旧类别学到的知识并保持学习新类别的能力，我们设计了从通道级、点级和实例级视角的关联蒸馏损失，以正则化增量模型的学习。提出了一个名为稳定性-可塑性-mAP 的新指标，以更好地评估增量目标检测中对旧类别的稳定性与对新类别的可塑性。在 VOC2007 和 COCO 上开展的广泛实验表明，MVCD 能有效学习检测新类别目标并缓解灾难性遗忘问题。
引用
@article{arxiv.2107.01787,
title = {Multi-View Correlation Distillation for Incremental Object Detection},
author = {Dongbao Yang and Yu Zhou and Weiping Wang},
journal= {arXiv preprint arXiv:2107.01787},
year = {2021}
}