MultIOD: Rehearsal-free Multihead Incremental Object Detector

要約

クラス増分学習 (CIL) は、ストリームに出現する新しいクラスに対応する人工エージェントの能力です。
これは、エージェントがメモリや計算リソースへのアクセスが制限されている進化する環境では特に興味深いものです。
クラス増分学習の主な課題は、壊滅的な忘却、つまり新しい知識を学習するときにニューラル ネットワークが過去の知識を保持できないことです。
残念ながら、既存のクラス増分オブジェクト検出器のほとんどは Faster-RCNN などの 2 段階アルゴリズムに適用されており、過去の知識を保持するためにリハーサル メモリに依存しています。
私たちは、現在のベンチマークは現実的ではないと考えており、アンカーフリーおよびリハーサルフリーの物体検出にさらなる努力を注ぐ必要があると考えています。
これに関連して、CenterNet に基づくクラス増分オブジェクト検出器である MultIOD を提案します。
私たちの主な貢献は次のとおりです: (1) クラス表現を効率的に分離するためのマルチヘッド特徴ピラミッドとマルチヘッド検出アーキテクチャを提案します。(2) 最初に学習したクラスと段階的に学習したクラスの間で転移学習を採用し、壊滅的な忘却に対処します。(3)
冗長なボックスを削除するための後処理手法としてのクラスごとの非最大抑制。
追加機能がなければ、私たちの手法は 2 つの Pascal VOC データセットに対してさまざまな最先端の手法を上回ります。

要約(オリジナル)

Class-Incremental learning (CIL) is the ability of artificial agents to accommodate new classes as they appear in a stream. It is particularly interesting in evolving environments where agents have limited access to memory and computational resources. The main challenge of class-incremental learning is catastrophic forgetting, the inability of neural networks to retain past knowledge when learning a new one. Unfortunately, most existing class-incremental object detectors are applied to two-stage algorithms such as Faster-RCNN and rely on rehearsal memory to retain past knowledge. We believe that the current benchmarks are not realistic, and more effort should be dedicated to anchor-free and rehearsal-free object detection. In this context, we propose MultIOD, a class-incremental object detector based on CenterNet. Our main contributions are: (1) we propose a multihead feature pyramid and multihead detection architecture to efficiently separate class representations, (2) we employ transfer learning between classes learned initially and those learned incrementally to tackle catastrophic forgetting, and (3) we use a class-wise non-max-suppression as a post-processing technique to remove redundant boxes. Without bells and whistles, our method outperforms a range of state-of-the-art methods on two Pascal VOC datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google