目标检测的多任务增量学习

Feb, 2020

Multi-Task Incremental Learning for Object Detection

Xialei Liu, Hao Yang, Avinash Ravichandran, Rahul Bhotika, Stefano Soatto

TL;DR本研究提出了三种不同的跨领域和类别增量学习的目标检测模型，并利用注意力特征蒸馏方法进行知识的延续，并通过三种代表性的采样方法发现对不同目标类别的记忆较为困难，而领域之间的差异对目标检测的负面影响较小。实验表明，所提出的方法在七个目标检测基准数据集上均取得了显著的改进。

Abstract

Multi-task learns multiple tasks, while sharing knowledge and computation among them. However, it suffers from catastrophic forgetting of previous knowledge when learned incrementally without access to the old data. Most existing object detectors are domain-specific and static, while some are learned incrementally but only within a single domain. Training an

multi-task learning object detection incremental learning attentive feature distillation exemplar sampling

发现论文，激发创造

元学习增量目标检测

该研究提出了一种元学习方法，以优化共享增量任务信息的模型梯度并通过元学习梯度预处理来减少遗忘和最大化知识转移，从而提高目标检测中的增量学习性能。

Mar, 2020

无灾难遗忘的目标检测的增量学习

通过使用一种新的损失函数，这篇研究提出了一种解决卷积神经网络增量学习中 “灾难性遗忘” 的问题的方法，可以在没有原始训练数据或注释的情况下适应新类别，并在 PASCAL VOC 2007 和 COCO 数据集上实现了物体检测。

Aug, 2017

SID: 基于选择性和相互关联蒸馏的无锚点目标检测的增量学习

本文提出了一种名为 Selective and Inter-related Distillation (SID) 的增量学习模型，用于在锚点自由目标检测器上解决灾难性遗忘问题，并提出了一种新的评估度量方法，通过在适当的位置选择性提取和进一步传输实例关系知识，方法在 PASCAL VOC 和 COCO 数据集上表现出显著的优势。

Dec, 2020

语义分割中的增量学习知识蒸馏

本文着重介绍了如何应用知识蒸馏技术来处理增量学习的语义分割问题。经过在 Pascal VOC2012 和 MSRC-v2 数据集上的实验，该方法在多个增量学习场景中表现出显著的有效性。

Nov, 2019

针对非受限环境的检测模型泛化

本文研究了基于印度驾驶数据集（IDD）进行物体检测的增量学习问题，提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法，并在 IDD 和 BDD100K 数据集上进行评估。结果表明，在环境领域移位的情况下，我们的领域适应性方法是有效的。

Sep, 2019

学习因果特征以实现递增式目标检测

提出了一种增量因果物体检测（ICOD）模型，通过学习因果特征来适应更多任务，解决了在新任务中神经网络面临的灾难性遗忘问题。实验结果表明，不受数据偏差影响的因果特征能够使模型更好地适应新任务。

Mar, 2024

终身目标检测

本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

Sep, 2020

通过弹性响应蒸馏克服增量目标检测中的灾难性遗忘

本文提出了一种响应型渐进式蒸馏方法，名为弹性响应蒸馏（ERD），主要关注从分类头和回归头中弹性地学习响应。在 MS COCO 上进行的广泛实验证明，我们的方法实现了最先进的结果，从而实现了向完全训练的性能差距的大幅缩小。

Apr, 2022

目标检测中的增量学习中建模缺失注释

本研究研究对象检测中的遗忘问题，提出新的知识蒸馏框架处理缺失标签，并在 Pascal-VOC 数据集中取得了领先的效果，同时在实例分割模型中有所拓展。

Apr, 2022

语义分割的增量学习技术

本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在 Pascal VOC2012 数据集上进行了实验验证其有效性。

Jul, 2019