Jul, 2023

增强盒回放：解决增量物体检测中的前景偏移

PDF
TL;DR通过创新的 Augmented Box Replay (ABR) 方法和 Attentive RoI Distillation loss，本研究克服了前景偏移问题，并且在保持当前类别的高可塑性的同时，显著减少了对以前类别的遗忘，且与标准图像回放相比大大降低了存储要求。
incremental learningcatastrophic forgettingforeground shiftaugmented box replay (abr)attentive roi distillation loss
发现论文，激发创造
  • RODEO：在线目标检测回放

    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

  • EGOR: 增量目标检测的高效生成对象重放

    我们提出了 Efficient Generated Object Replay（EGOR）方法，在增量数据中改进目标检测的性能，通过逆置原始检测器生成旧类样本，并使用增强回放重用生成样本中的对象，以减少冗余生成，同时引入高响应知识蒸馏，将生成对象中的知识传递给增量检测器，从而提高整体检测准确率。

    Jun, 2024

  • 基于重播的连续学习在语义分割中的应用: RECALL

    研究使用生成对抗网络和网络抓取数据重现不可用的旧类数据，避免遗忘和背景类的数据分布变化，达到在连续学习中存在不同步骤和背景类分布变化的情况下更好的表现。

    Aug, 2021

  • 递增物体检测的分类缓冲区管理：一种有效的缓冲区训练策略

    本文介绍了一种有效的缓冲训练策略 (eBTS)，用于在物体检测中创建经过优化的回放缓冲区，实验证明我们的 eBTS 达到了与现有的回放方案相比的最先进性能。

    Dec, 2023

  • 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

  • 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

  • 使用 CLIP 的增量目标检测

    通过使用 CLIP 等语言 - 视觉模型生成不同类别集合的文本特征嵌入来改善特征空间，用广义类别替换早期学习阶段中的不可用新类别，从而模拟实际增量情景，并使用 CLIP 图像编码器识别提议中的潜在对象并对其进行分类，通过修改提议的背景标签为已知类别并将框添加到训练集来缓解数据模糊性问题，我们在 PASCAL VOC 2007 数据集上评估了我们的方法，在各种增量学习设置中，我们的方法优于最先进的方法，特别是对于新的类别。

    Oct, 2023

  • CORE：通过认知重播减轻连续学习中的灾难性遗忘

    本文介绍了一种新颖的观点，以显著减轻连续学习中的灾难性遗忘，强调模型保持现有知识和吸收新信息的能力。我们提出了 COgnitive REplay (CORE) 的方法，包括自适应数量分配和质量导向数据选择这两个关键策略。该方法在 split-CIFAR10 上的平均准确率为 37.95%，超过最佳基准方法 6.52%。此外，它还将最差表现任务的准确率相比顶级基准提高了 6.30%。

    Feb, 2024

  • SDDGR: 稳定的基于扩散的深度生成回放用于类别增量目标检测

    本研究提出了一种名为稳定扩散深度生成重放（SDDGR）的新方法，它利用基于扩散的生成模型和预训练的文本到扩散网络生成逼真多样的合成图像，通过迭代优化策略生成高质量包含旧类别的图像，并采用 L2 知识蒸馏技术提高合成图像中先前知识的保存，并在新任务图像中利用伪标记技术对旧对象进行预测，防止其被误分类为背景元素。实验结果表明，SDDGR 在各种类别增量目标检测场景中显著优于现有算法，达到了最新的技术水平。源代码将向公众提供。

    Feb, 2024

  • 生成式特征重放用于类增量学习

    对于神经网络中的灾难性遗忘问题和老新类别不均衡问题，本文提出了一种基于生成式特征回放和特征蒸馏的解决方案，可以不使用明显的旧任务样本，在 CIFAR-100 和 ImageNet 等数据集上实现了最先进的结果，存储空间成本低。

    Apr, 2020