摘要
摘要:在真实世界的情境中,目标检测器可能会不断遇到来自新类别的物体实例。当现有的目标检测器应用于这种情景时,它们对旧类别的性能会显著下降。已经有一些努力来解决这个限制,它们都应用了知识蒸馏的变体来避免灾难性遗忘。然而,我们注意到,尽管蒸馏有助于保留以前的学习,但它阻碍了对新任务的快速适应性,这是增量学习的关键要求。因此,我们提出了一种元学习方法,该方法学习重塑模型梯度,以便跨增量任务的信息得到最佳共享。这通过元学习梯度预调节来实现无缝信息传递,从而最小化遗忘并最大化知识传递。与现有的元学习方法相比,我们的方法是任务无关的,允许增量添加新类别,并可扩展到用于目标检测的高容量模型。我们在PASCAL-VOC和MS COCO数据集上的各种增量学习设置上评估了我们的方法,结果表明我们的方法在性能上表现出色,优于现有的最先进方法。代码和训练模型:https://github.com/JosephKJ/iOD。
1 介绍
深度学习已经在许多视觉任务上取得了显著的改进,包括目标检测[1] [2] [3]。大多数现有的检测模型都存在一个内在的假设,即在训练阶段可以获得所有对象类别的示例。然而,在现实中,由于现实世界的动态性质,可以在不断发展的过程中遇到新的感兴趣的类别。这使得现有的方法在增量学习环境中变得脆弱,因为它们在接受新任务训练时往往会忘记旧任务的信息[4]。文章来源:https://www.toymoban.com/news/detail-740851.html
在这项工作中,我们研究了逐步增加对象检测问题,其中新的类别逐步引入到检测器中。一个智能的学习者必须不会忘记先前学到的类别,同时学会检测新的对象类别。为此,知识蒸馏[5]已被作为一种事实上的解决文章来源地址https://www.toymoban.com/news/detail-740851.html
到了这里,关于Incremental Object Detection via Meta-Learning【论文解析】的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!