Incremental Object Detection via Meta-Learning【论文解析】

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]。

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方案[6] [7] [8] [9]。在学习新的类别集时，基于蒸馏的方法确保以前类别的分类logits和回归目标与模型早期状态没有发生显著变化。作为副作用，蒸馏强化了训练过程中的不妥协性，使其难以学习新的类别。增量目标检测器的一个重要特征是具有最佳的可塑性，这有助于快速适应新的类别，同时不会丧失先前获得的知识。

学习如何快速适应形成了当前元学习方法的基础[10] [11] [12]。这些方法通常在少样本学习设置中取得了成功。然而，直接将这些方法应用于增量目标检测具有挑战性，原因如下：(a) 元学习器明确地针对固定数量的类别（N-way分类）进行训练，无法泛化到增量设置。(b) 元训练和元测试阶段中的每个任务都经过精心设计，以避免任务过度拟合[13]。这在目标检测设置中是不切实际的，因为每个图像可能包含多类实例。© 元学习器需要关于微调的最终任务的知识，而在增量设置中&#x