MultIOD：无重演多头增量目标检测器
计算机视觉与模式识别
2024-04-10 v3
摘要
类增量学习（CIL）指人工智能体在数据流中不断出现新类别时整合新类的能力。在智能体对内存与计算资源访问受限的演化环境中，该问题尤为引人关注。增量学习的主要挑战是灾难性遗忘，即神经网络在学习新知识时无法保留过去知识。遗憾的是，现有多数面向目标检测的类增量方法应用于 Faster-RCNN 等两阶段算法，并依赖重演记忆来保留过往知识。我们认为这些在资源受限环境中并不适用，应更多致力于无锚框且无重演的目标检测。本文提出基于 CenterNet 的类增量目标检测器 MultIOD。我们的贡献为：（1）提出多头特征金字塔与多头检测架构以高效分离类表示；（2）在初始学习类与增量学习类之间采用迁移学习以应对灾难性遗忘；（3）使用按类非极大抑制作为后处理技术以去除冗余框。结果表明，在两个 Pascal VOC 数据集上，我们的方法优于当前最优方法，且仅保存模型当前状态，不同于其他基于蒸馏的方法。
引用
@article{arxiv.2309.05334,
title = {MultIOD: Rehearsal-free Multihead Incremental Object Detector},
author = {Eden Belouadah and Arnaud Dapogny and Kevin Bailly},
journal= {arXiv preprint arXiv:2309.05334},
year = {2024}
}
备注
Accepted at the archival track of the Workshop on Continual Learning in Computer Vision (CVPR 2024)