SDDGR：基于 Stable Diffusion 的深度生成重放用于类增量目标检测
计算机视觉与模式识别
2024-05-08 v2
摘要
在类增量学习（CIL）领域，随着生成模型的不断改进，生成重放已成为缓解灾难性遗忘的一种日益突出的方法。然而，其在类增量目标检测（CIOD）中的应用受到显著限制，主要原因是涉及多标签场景的复杂性。在本文中，我们提出了一种用于 CIOD 的新方法，称为基于 Stable Diffusion 的深度生成重放（SDDGR）。我们的方法利用基于扩散的生成模型和预训练的文本到扩散网络来生成逼真且多样的合成图像。SDDGR 采用迭代细化策略来生成涵盖旧类的高质量图像。此外，我们采用 L2 知识蒸馏技术以提高合成图像中先前知识的保留率。 furthermore，我们的方法包括对新任务图像中的旧物体进行伪标签标注，防止其被误分类为背景元素。在 COCO 2017 数据集上的大量实验表明，SDDGR 显著优于现有算法，在各种 CIOD 场景中达到了新的最先进水平（SOTA）。源代码将向公众开放。
引用
@article{arxiv.2402.17323,
title = {SDDGR: Stable Diffusion-based Deep Generative Replay for Class Incremental Object Detection},
author = {Junsu Kim and Hoseong Cho and Jihyeon Kim and Yihalem Yimolal Tiruneh and Seungryul Baek},
journal= {arXiv preprint arXiv:2402.17323},
year = {2024}
}
备注
Accept to CVPR 2024. The camera-ready version