Jun, 2024

EGOR: 增量目标检测的高效生成对象重放

PDF
TL;DR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。
incremental object detectiondistillation-based methodsefficient generated object replayaugmented replayhigh-response knowledge distillation
发现论文，激发创造
  • 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

  • 通过弹性响应蒸馏克服增量目标检测中的灾难性遗忘

    本文提出了一种响应型渐进式蒸馏方法，名为弹性响应蒸馏（ERD），主要关注从分类头和回归头中弹性地学习响应。在 MS COCO 上进行的广泛实验证明，我们的方法实现了最先进的结果，从而实现了向完全训练的性能差距的大幅缩小。

    Apr, 2022

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于 Faster RCNN 的目标检测模型的增量学习

    本文提出了一种高效的端到端的渐进式目标检测器，利用知识蒸馏技术，在新任务微调模型时适当保留旧类别的知识，相较于传统 Faster RCNN 基线检测器更快 13 倍，且更准确。

    Mar, 2020

  • 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