Dec, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 增强盒回放：解决增量物体检测中的前景偏移

    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。

    Jul, 2023

  • 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

  • TEAL：经验回放中小缓冲区的新选择策略与增量学习

    在这篇论文中，我们介绍了一种名为 TEAL 的新方法，通过将样本存储于内存中，可以显著增强各种经验重播方法在小内存缓冲区上的性能，从而提高了最先进方法 XDER 以及 ER 和 ER-ACE 在多个图像识别基准上的平均准确性，与最终任务中每个类别 1-3 个样本的小内存缓冲区相关。这证实了当内存有限时，优先考虑最典型的数据是最好的策略。

    Jun, 2024

  • 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

  • 谨慎行事：规模化持续学习的最佳检索

    通过研究回放方法在连续学习中的应用，本文提出了一种评估选择性检索策略的框架，并评估了多种策略的表现，并提出了防止重放重复的策略，探索是否可以通过学习低损失值的新样本来避免回放。

    Apr, 2024

  • 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

  • 元学习增量目标检测

    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

  • 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

  • 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

  • 重新思考经验回放：持续学习的技巧集

    研究了当神经网络被培训在一个时间上变化的数据流时，其面临的 “灾难性遗忘” 问题。本文提出并实验了一种简单的 rehearsal-based 方法，即 Experience Replay，并证明其相对于现有的基于 rehearsal 的方法有了极大的精度提升。

    Oct, 2020