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

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

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

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

我们提出了一种新的无样本增量学习方法，通过采用多分布匹配扩散模型来统一训练数据的质量，弥合不同域之间的差距，并通过选择性合成图像增强来扩展训练数据的分布，从而增强模型的可塑性和最终组件的性能，在增量训练期间提升模型的稳定性，实验证明这种方法优于之前的无样本增量学习方法并达到了最先进的性能。

Mar, 2024

提出了 OpeN-ended Centre nEt (ONCE) 目标检测器，旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景，并元学习一种适用于注册新类的类特定代码生成器模型，实现了对具有少数样本的新类对象进行学习的目标检测。

Mar, 2020

本文提出了一种新的基于 Transformer 的增量目标检测方法 ContinuaL DEtection TRansformer (CL-DETR)，通过引入 Detector Knowledge Distillation (DKD) 损失和新的 exemplar replay (ER) 校准策略，有效地解决了基于 Transformer 的增量目标检测方法中知识蒸馏和示范重播等未被充分利用的问题，并在 COCO 2017 等数据集上进行了广泛实验，取得了最新的一些研究成果。

Apr, 2023

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。

Dec, 2020

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

本文提出了一种基于 Transformer 网络的多头模型，使用类特定的分类器来解决类不断增加的连续学习任务，同时支持不同类别数据的 Out-of-Distribution 检测，实验结果优于现有技术。

Aug, 2022