用于类别增量球员检测的精炼响应蒸馏
计算机视觉与模式识别
2023-05-02 v1
摘要
从体育转播视频中检测球员对于智能事件分析至关重要。然而，现有方法假设固定的球员类别，无法适应类别持续演化的真实场景。直接在新出现的类别上微调这些方法也会因非平稳分布而存在灾难性遗忘。受近期增量目标检测（IOD）研究的启发，我们提出一种精炼响应蒸馏（R^2D）方法，以有效缓解球员 IOD 任务中的灾难性遗忘。首先，我们设计了一种渐进式由粗到细的蒸馏区域划分方案，从分类和回归响应中分离高价值与低价值区域，以实现精确细粒度的区域知识蒸馏。随后，针对球员 IOD 任务中显著特征同质性带来的性能局限，在具有不同重要性的区域上开发了定制的精炼蒸馏策略。此外，我们提出 NBA-IOD 和 Volleyball-IOD 数据集作为基准，并系统地研究了球员的 IOD 任务。在基准上进行的广泛实验表明，我们的方法取得了最先进的（state-of-the-art）结果。代码和数据集可在 https://github.com/beiyan1911/Players-IOD 获取。
引用
@article{arxiv.2305.00620,
title = {Refined Response Distillation for Class-Incremental Player Detection},
author = {Liang Bai and Hangjie Yuan and Tao Feng and Hong Song and Jian Yang},
journal= {arXiv preprint arXiv:2305.00620},
year = {2023}
}
备注
13 pages, 10 figures