I3DOL: 基于增量学习的三维物体学习，避免灾难性遗忘

AAAIDec, 2020

I3DOL: 基于增量学习的三维物体学习，避免灾难性遗忘

I3DOL: Incremental 3D Object Learning without Catastrophic Forgetting

Jiahua Dong, Yang Cong, Gan Sun, Bingtao Ma, Lichen Wang

TL;DR用自适应几何中心模块构建鉴别性局部几何结构，然后通过几何感知注意机制，探索具有高贡献度的唯一 3D 几何特征，从而不断地学习新类别的 3D 物体。同时，通过分数公平补偿策略，进一步缓解由于过去和新类别的 3D 物体之间的不平衡数据而导致的灾难性遗忘，以弥补新类别的偏差预测。实验验证了该模型的优越性。

Abstract

3d object classification has attracted appealing attentions in academic researches and industrial applications. However, most existing methods need to access the training data of past 3D object classes when facing the common real-world scenario: new classes of 3D objects arrive in a se

3d object classification incremental learning geometric structures catastrophic forgetting attention mechanism

发现论文，激发创造

I3DOD: 基于激励的增量式三维物体检测

我们提出了一种新的增量 3D 物体检测框架，采用提示引导的方式，通过任务共享的提示机制学习目标定位信息和类别语义信息之间的匹配关系，并通过可靠的蒸馏策略从可靠的模型转移知识，最终在两个基准数据集上表现出优于现有方法的检测性能。

Aug, 2023

DA-CIL: 领域自适应，增量式的三维物体检测

本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

Dec, 2022

L3DOC：终身 3D 物体分类

本文提出了一种 Lifelong 3D Object Classification (L3DOC) 框架，该框架通过模拟 “人类学习” 的方式连续学习新的三维物体分类任务，其中核心思想是在生命周期学习的角度上分解 PointNet，同时在层次张量分解架构的角度上捕获和存储共享点知识。通过提出的内存注意机制可以将先前任务的任务特定知识软传输给新来的分类任务，从而实现有效的防止灾难性遗忘。与其他算法相比，我们的 L3DOC 模型可将模型的参数平均减少 1.68-3.36 倍，而不会牺牲每个任务的分类准确性。

Dec, 2019

静态 - 动态联合教学的班级增量 3D 物体检测

本文研究了 3D 对象检测中分类增量问题，提出了一种新的静态动态共同教学方法 SDCoT 来避免旧类别的灾难性遗忘，并在多个增量学习场景下展示了 SDCoT 的卓越性能。

Dec, 2021

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

MultIOD：免重复训练的多头增量目标检测器

基于 CenterNet 的 MultIOD 是一种无需复习和复述的类增量目标检测器，通过多头特征金字塔和多头检测架构高效分离类别表示，利用迁移学习和类别非极大值抑制技术解决灾难性遗忘问题，并在两个 Pascal VOC 数据集上显著优于一系列最先进的方法。

Sep, 2023

多变量原型表示的领域泛化增量学习

研究了深度学习模型在使用新类别样本进行微调时面临的灾难性遗忘问题，特别关注训练和测试数据之间的领域转变。设计了一种能够记忆旧类别、适应新类别并能够可靠地对来自未见领域的对象进行分类的 DGCIL 方法，通过使用知识蒸馏和估计旧类别原型的漂移，结合多变量正态分布，不断适应模型特征的变化以更好地表示旧类别。经过多个基准测试实验证实了我们的说法。

Sep, 2023

目标检测的多任务增量学习

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

基于聚类的领域增量学习

通过使用基于在线聚类的方法解决连续学习中的灾难性遗忘问题，成功地应用于域增量学习，并展示了这种方法在真实数据集上的有效性及与最先进方法的优越性能。

Sep, 2023

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