Wanderlust：真实世界中的在线持续目标检测

在动态环境中从数据流进行在线持续学习是计算机视觉领域的一个关键方向。然而，这一方向仍缺乏现实的基准和基础研究。为了弥合这一差距，我们提出了一个新的在线持续目标检测基准，并配有一个以自我为中心的视频数据集——Objects Around Krishna (OAK)。OAK采用了KrishnaCAM视频，这是一位研究生在九个月内收集的以自我为中心的视频流。OAK为室外场景中的105个目标类别提供了80个视频片段（约17.5小时）的详尽边界框标注。我们基准中新目标类别的出现模式类似于一个人在日常生活中可能看到的情况。该数据集还捕捉了当人前往不同地点时发生的自然分布偏移。这些以自我为中心的长时间运行视频为持续学习算法，尤其是在线具身环境下的算法，提供了一个现实的试验场。我们还引入了新的评估指标来评估模型性能和灾难性遗忘，并为在线持续目标检测提供了基线研究。我们相信，这个基准将为从非平稳数据中进行持续学习带来新的激动人心的挑战。OAK数据集及相关的基准已在https://oakdata.github.io/发布。