用于类增量三维目标检测的静态-动态协同教学
计算机视觉与模式识别
2021-12-15 v1
摘要
基于深度学习的方法在三维目标检测任务中展现出卓越性能。然而，当在不重访旧数据的情况下增量学习新类时，它们在原训练类上会出现灾难性性能下降。这种“灾难性遗忘”现象阻碍了三维目标检测方法在需要持续学习系统的真实场景中的部署。本文研究尚未被探索却重要的类增量三维目标检测问题，并给出首个解决方案——SDCoT，一种新颖的静态-动态协同教学方法。我们的 SDCoT 通过静态教师缓解旧类的灾难性遗忘，该教师在新样本中为旧类提供伪标注，并通过蒸馏损失提取既往知识以正则化当前模型。同时，SDCoT 通过动态教师持续从新数据中学习底层知识。我们在两个基准数据集上进行了充分实验，并在若干增量学习场景中展示了我们的 SDCoT 相对于基线方法的优越性能。
引用
@article{arxiv.2112.07241,
title = {Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection},
author = {Na Zhao and Gim Hee Lee},
journal= {arXiv preprint arXiv:2112.07241},
year = {2021}
}
备注
Accepted at AAAI 2022