RILOD：边缘端近实时增量目标检测学习
计算机视觉与模式识别
2019-09-24 v2 人工智能
机器学习
摘要
配备摄像头的边缘设备上所部署的目标检测模型无法覆盖每位用户感兴趣的对象。因此，增量学习能力是许多应用所依赖的鲁棒且个性化的目标检测系统的关键特征。本文提出一个高效且实用的系统 RILOD，用于增量训练已有的目标检测模型，使其能检测新的对象类别而不丧失检测旧类别的能力。RILOD 的关键组件是一种新颖的增量学习算法，该算法仅使用新对象类别的训练数据，对单阶段深度目标检测模型进行端到端训练。具体而言，为避免灾难性遗忘，该算法从旧模型中蒸馏三类知识，以模仿旧模型在对象分类、边界框回归和特征提取上的行为。此外，由于新类别的训练数据可能不可用，设计了一个实时数据集构建流水线，用于即时收集训练图像并自动以类别与边界框标注图像。我们在边-云与纯边缘两种设置下实现了 RILOD。实验结果表明，所提系统仅需几分钟即可学会检测一个新对象类别，包括数据集构建与模型训练。相比之下，传统的基于微调的方法可能需要数小时训练，且在大多数情况下还需要繁琐且昂贵的人工数据集标注步骤。
引用
@article{arxiv.1904.00781,
title = {RILOD: Near Real-Time Incremental Learning for Object Detection at the Edge},
author = {Dawei Li and Serafettin Tasci and Shalini Ghosh and Jingwen Zhu and Junting Zhang and Larry Heck},
journal= {arXiv preprint arXiv:1904.00781},
year = {2019}
}
备注
Camera-ready for ACM/IEEE SEC 2019