.png){kind=icon}
返回
Domain incremental learning for object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111882.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增量学习是一个重要的研究热点，能够帮助模型在不遗忘旧知识的情况下持续适应新数据。在目标检测领域，现有工作主要关注新类增量学习。然而，在实际应用中，经过预训练的目标检测系统在适应新数据域时常常会出现性能急剧下降的问题，即物体尺寸、类别分布和图像上下文发生剧烈变化。为此，我们提出了面向目标检测的新实例增量学习任务，称为有限预算域增量学习（DILLB）。DILLB采用常规的增量设置，在源数据集上预训练检测网络，并在目标域上逐步微调网络。其目标是在目标数据集上最大化检测器的性能，同时避免在源数据集上发生灾难性遗忘。与此同时，为了增加DILLB的挑战性，我们对源数据集和目标数据集的标签信息访问设置了严格限制，使DILLB更接近实际应用。在基线方法方面，我们不仅重构了增量学习和域适应的常用方法，还提出了一种基于教师-学生模型的新型方法用于域增量目标检测，该方法在提升性能和缓解灾难性遗忘方面展现出明显优势。本文还提出了针对DILLB的全面实验设置，以推动其在目标检测领域的研究。我们的源代码可在https://github.com/Disguiser15/DILLB获取。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Multi-View correlation distillation for incremental object detection用于增量目标检测的多视图相关性提取.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Generative feature style augmentation for domain generalization in medical image segmentation生成特征样式增强在医学图像分割中的领域泛化PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Forget to Learn (F2L): Circumventing plasticity-stability trade-off in continuous unsupervised domain adaptationPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏
查看更多内容