Nov, 2023

OpenNet: 自动驾驶目标检测的增量学习与平衡损失

PDF
TL;DR提出了一种用于自动驾驶目标检测的方法，通过平衡损失来缓解类别不平衡，采用梯度重塑的归纳层快速学习有限样本的新类别，通过归一化特征蒸馏来防止灾难性遗忘，并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能，实验证明该方法在 CODA 数据集上表现出更好的性能。
automated driving object detectionenvironmental uncertaintiesclass imbalanceincremental learningcoda dataset
发现论文，激发创造
  • 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

  • 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

  • YOLOOC：基于 YOLO 的开放类增量目标检测与新类发现

    通过构建新的基准测试，我们提出了一种基于 YOLO 架构的新型 OWOD 检测器 YOLOOC，在遇到新的类别时能够自动学习并避免忘记先前已知的类别，我们引入了标签平滑技术来防止检测器过度自信地将新类别映射为已知类别，并在我们的测试基准中的广泛实验表明了我们的方法在发现新类别上的有效性。

    Mar, 2024

  • 基于数据不平衡的大规模分层目标检测高效网络学习：Open Images Challenge 2019 第三名方案

    该研究报告详细介绍了他们对 Google AI Open Images Challenge 2019 目标检测赛题的解决方案。通过对 Open Images 数据集进行详细分析，提出了采用大型骨干网络、分布式 softmax 损失、类别感知采样等策略，在最优模型的基础上进行模型融合，最终在该挑战中获得了第三名，公共排行榜 mAP 为 67.17，私有排行榜为 64.21。

    Oct, 2019

  • 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

  • 野外大规模不平衡多标签物体检测

    本文提出了一种处理 Open Images 数据集中目标多标签和标签分布不平衡问题的方法，使用 concurrent softmax 处理多标签问题并提出一种混合训练计划的软采样方法来解决标签分布不平衡问题，实验结果在公共测试集上达到了最佳水平。

    May, 2020

  • 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

  • 面向外部分布的行人检测的持续学习

    本论文提出了一种连续学习的解决方案，以解决行人检测的超出分布问题，并针对性能降低的问题制定了改进的 Elastic Weight Consolidation 方法。通过在一个数据集上进行训练和在另一个数据集上进行微调来达到学习新分布并在先前的数据集上保持性能的目的。

    Jun, 2023

  • 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

  • 基于检测器融合的小样本增量式路面目标检测

    在本文中，我们使用来自印度驾驶数据集的数据，采用 DualFusion 方法解决批量渐进式少样本道路物体检测的问题，利用对象检测器组合，使我们学会检测仅有极为有限数据的稀有对象，而仍不会严重降低检测器在丰富类上的性能。在 IDD OpenSet 逐步少样本检测任务中，我们的 mAP50 分别为 40.0 和 38.8，在 COCO 批量渐进式少样本检测任务中，我们获得了一项新的 AP 得分 9.9，超过同一任务上的现有类最佳表现 6.6 倍。

    Aug, 2021