终身目标检测
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
本文提出了一种高效的端到端的渐进式目标检测器,利用知识蒸馏技术,在新任务微调模型时适当保留旧类别的知识,相较于传统 Faster RCNN 基线检测器更快 13 倍,且更准确。
Mar, 2020
本文提出 Retentive R-CNN 模型,通过应用传输学习的一些被忽略的优良属性,使用 Bias-Balanced RPN 去除预训练误差和 Re-detector 找出 few-shot 类物体并避免遗忘前面的知识,来实现 few-shot 目标检测任务中的长期记忆。实验表明,Retentive R-CNN 在各种设置下均可实现对 few-shot 类别的有竞争力的结果,而且不会降低基类的性能。
May, 2021
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
该论文提出了一种基于知识蒸馏的对象检测模型微调方法,采用区域提议共享机制和自适应知识转移方法,根据模型的不同表现区分性能好坏,同时使用知识衰减策略帮助提高模型的泛化性能。实验结果表明,该方法在 COOC 数据集上取得了比基线模型更好的检测结果。
Jun, 2020
现代预训练架构在持续对新任务进行微调时难以保留先前的信息。本文引入了一种基于内存的检测变换器架构,以适应预训练的 DETR 式检测器的新任务,并保留以前任务中的知识。我们提出一种用于从内存单元中高效检索信息的新颖的局部查询函数,旨在最小化遗忘。此外,我们在持续检测中确定了一项称为背景剥夺的根本挑战。当先前任务的对象类别在未来任务中重新出现时,可能没有标签,可能会被隐含地视为背景。这是持续检测或分割中不可避免的问题。引入的持续优化技术有效地解决了这一挑战。最后,我们评估了我们提出的系统在持续检测基准上的性能,并证明我们的方法在 MS-COCO 和 PASCAL-VOC 的持续检测任务上超过了现有技术水平,实现了 5-7% 的改进。
Mar, 2024
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。
Feb, 2020
本文研究了视觉检测任务的增量学习,通过一种在线流式学习的方法,使用一种新颖的记忆重放机制,使系统可以在时间上逐步引入新类别来完成物体检测任务,并在 Pascal VOC 2007 和 MS COCO 数据集上取得了最好的实验结果。
Aug, 2020
对于计算和内存资源有限的感知系统,我们提出了一种简单但非常有效的序列化方法来通过知识蒸馏来提高轻量级分类模型的性能,并成功将基于 Transformer 的教师检测器的知识转化到基于卷积的学生检测器上,从而显著提升了 MS COCO 基准测试上 RetinaNet 和 Mask R-CNN 的性能。
Aug, 2023