Faster RCNN的增量学习方法
![](https://i-blog.csdnimg.cn/blog_migrate/da6cd0f77a962e40c989b6cbae4e86d2.png)
目前Faster Rcnn的目前唯一增量学习扩展方法,似乎是arxiv的。目标检测的增量学习框架研究很少,一个Fast Rcnn的,一个RetinaNet的。本文为Faster Rcnn应用了多网络自适应知识蒸馏,设计了一个端到端的增量学习方案,在PASCAL VOC和COCO上做了实验。
1.Introduction
目标检测SOTA与人类视觉系统之间的差距仍然很大,主要的障碍之一是在动态的现实世界中逐步学习新的任务。如,在病理学领域,由于我们知识和理解的不断增长,随着时间的推移,新的疾病模式亚型得以识别。理想的疾病模式检测系统应该能够从病理图像中学习新的疾病亚型,而不会失去检测旧疾病亚型的能力。
本文贡献:
- 我们发现,不像其它工作中所假设的(IOLD假设),RPN其实对旧类标注缺失很健壮。
- 提出多网络自适应蒸馏,在学习新任务时,记住旧知识,同时解决旧类标注缺失的问题。
- 用Faster Rcnn做基础网络,性能表现很好。
- 我们的方法可用于任何有RPN的目标检测器。
2.Problem Formulation
增量学习问题定义bla...称旧网络称为教师模型,重训练模型为学习模型。
生活中的增量目标检测学习场景应有如下假设:
- 只有新类训练数据可用,没有旧数据记忆