CVPRFeb, 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

PDF
TL;DR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。
发现论文，激发创造
  • 使用扩散模型进行蒸馏与回放的类增量学习

    本文提出采用预训练稳定扩散模型作为增量学习的额外数据源，并证明其可以进一步提高现有最先进的大规模数据集类增量学习方法的性能。

    Jun, 2023

  • 无数据生成回放的双教师班级增量学习

    本文提出两种用于类增量学习的新型知识传输技术：无数据生成式回放（DF-GR）和双教师信息蒸馏（DT-ID），并在 CIFAR-100 和 ImageNet 数据集上表现出性能提升。

    Jun, 2021

  • DiffusePast: 基于扩散的生成回放技术用于类别增量语义分割

    DiffusePast 是一个新颖的框架，通过基于扩散的生成回放模块生成具有更可靠蒙版的语义精确图像，以解决 Class Incremental Semantic Segmentation 中对传统分割任务的增量学习并处理先前提到的灾难性遗忘和隐私问题。

    Aug, 2023

  • 类原型条件扩散模型用于生成回放的持续学习

    通过生成模型提高图像质量以减少分类器中的灾难性遗忘，我们提出了基于类原型的条件扩散模型（CPDM），它通过在扩散模型的去噪过程中集成可学习的类原型来保持图像生成质量，并缓解了灾难性遗忘的风险。

    Dec, 2023

  • 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

  • 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

  • 基于扩散式生成回放的工业流数据连续学习

    基于蒸馏的自主引导 (DSG) 模型利用生成式回放机制，通过知识蒸馏从先前基于扩散的生成器向更新的生成器传输知识，从而提高了生成器的稳定性和再现数据的质量，有效缓解了在工业流数据中出现的挑战，并在 CWRU、DSA 和 WISDM 数据集上取得了优于现有基准模型的实验结果，展示了在实践工业应用中的潜力。

    Jun, 2024

  • 基于扩散生成记忆的无数据联邦类增量学习

    本文提出一种新颖的无数据的联邦类增量学习框架，使用扩散模型生成稳定、高质量的图像，通过设计新的平衡采样器、信息论的基于熵的采样过滤技术以及与基于特征的正则化项整合的知识蒸馏，来减轻灾难性遗忘和改善基于联邦学习的智能模型的准确性。

    May, 2024

  • 针对不平衡数据的无数据生成式重放增量学习

    该论文介绍了一种名为 Data-Free Generative Replay (DFGR) 的新方法，其用于实现无数据训练生成器并解决图像分类中的数据不平衡问题，在持续学习的过程中取得了显著的结果。

    Jun, 2024

  • 生成蒸馏下的扩散模型的持续学习

    借助生成性重放的扩散模型的生成蒸馏方法，可以显着提升持续学习性能，只需适度增加计算成本。

    Nov, 2023