OpenNet：基于平衡损失的自动驾驶目标检测增量学习
计算机视觉与模式识别
2023-11-28 v1 机器学习
摘要
自动驾驶目标检测因环境不确定性一直是计算机视觉中的挑战性任务。这些不确定性包括物体尺寸显著差异以及遇到未见类别。当传统目标检测模型直接应用于自动驾驶检测时，可能导致性能不佳。因为它们通常假定固定类别的常见交通参与者，如行人与汽车。更糟的是，常见类与新类之间的巨大类不平衡进一步加剧了性能退化。为解决所述问题，我们提出OpenNet，通过基于交叉熵损失的平衡损失来缓解类不平衡。此外，我们采用基于梯度重塑的归纳层，在增量学习中对有限样本快速学习新类。为对抗灾难性遗忘，我们采用归一化特征蒸馏。同时，我们分别通过FPN与基于能量的检测提升了多尺度检测鲁棒性与未知类识别。在CODA数据集上的实验结果表明，所提方法优于现有方法。
引用
@article{arxiv.2311.14939,
title = {OpenNet: Incremental Learning for Autonomous Driving Object Detection with Balanced Loss},
author = {Zezhou Wang and Guitao Cao and Xidong Xi and Jiangtao Wang},
journal= {arXiv preprint arXiv:2311.14939},
year = {2023}
}