面向对象检测的增量学习:RICO:两个真实基准及其深入分析
计算机视觉与模式识别
2025-10-08 v2
摘要
增量学习 (IL) 在不进行完全重新训练的情况下顺序训练模型,提供了隐私保护、效率和可扩展性等优势。IL 必须在适应新数据与保持旧知识之间取得平衡。然而,现有的评估常依赖人造、简化的基准,掩盖了真实世界 IL 性能。为此,本文引入两个真实增量目标检测基准 (RICO):域型 RICO (D-RICO) 采用固定类别集合的域迁移,扩充类 RICO (EC-RICO) 每个 IL 步骤集成新域和新类别。两者均基于覆盖真实与人造域、不同条件(如天气、时间)、摄像头传感器、视角和标注策略的 14 个数据集构建,能够捕捉现有评估中所缺失的挑战。我们的实验表明,所有 IL 方法在适应性和保留方面均表现不佳,而仅重放少量先前数据即可超越所有方法。然而,单独训练数据仍优于所有方法。我们经验性地将这一差距归因于蒸馏中的弱教师、单一模型无法管理多样化任务以及塑性不足。我们的代码将对外公开。
引用
@article{arxiv.2508.13878,
title = {RICO: Two Realistic Benchmarks and an In-Depth Analysis for Incremental Learning in Object Detection},
author = {Matthias Neuwirth-Trapp and Maarten Bieshaar and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:2508.13878},
year = {2025}
}
备注
Accepted to ICCV Workshops 2025; v2: add GitHub link and update affiliation