ZeBROD: 一种基于零重训练的识别与目标检测框架
计算机视觉与模式识别
2025-12-30 v3
摘要
目标检测是计算机视觉领域的主要任务。它被广泛应用于众多领域。然而，目标检测仍然面临灾难性遗忘的问题。每当引入新产品时，模型必须重新训练，不仅需要使用新产品数据集，还需要使用全部先前数据集。结果显而易见：增加了模型训练成本并消耗大量时间。在许多领域，特别是零售结账场景中，新产品的频繁引入带来了巨大挑战。本研究提出了零重训练识别与目标检测框架（ZeBROD），一种旨在通过将YOLO11n用于目标定位与DeIT及Proxy Anchor Loss用于特征提取和度量学习来解决灾难性遗忘问题的方法。在分类中，我们利用目标产品嵌入特征与Qdrant向量数据库中特征之间的余弦相似度。在一家拥有140种产品的零售店案例研究中，实验结果表明，所提出的框架在检测新产品和已有产品方面均取得了令人鼓舞的准确率。此外，无需重训练的情况下，训练时间差异显著。与经典目标检测方法相比，我们实现了近3倍的训练时间效率。随着更多新产品添加到产品数据库中，这一效率进一步提升。在边缘设备上，每张包含多个产品的图像平均推理时间为580毫秒，验证了所提出框架在实际应用中的可行性。
引用
@article{arxiv.2512.04888,
title = {ZeBROD: Zero-Retraining Based Recognition and Object Detection Framework},
author = {Priyanto Hidayatullah and Nurjannah Syakrani and Yudi Widhiyasana and Muhammad Rizqi Sholahuddin and Refdinal Tubagus and Zahri Al Adzani Hidayat and Hanri Fajar Ramadhan and Dafa Alfarizki Pratama and Farhan Muhammad Yasin},
journal= {arXiv preprint arXiv:2512.04888},
year = {2025}
}
备注
This manuscript was first submitted to the AI Open (Elsevier Journal). The preprint version was posted to arXiv afterwards to facilitate open access and community feedback