新框架利用预训练检测器的稳定-塑性不对称性进行增量目标检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-02 04:00

研究人员开发了一个新的增量目标检测框架，该框架利用了预训练的DETR类检测器中存在的稳定-塑性不对称性。该方法冻结了定位头以保持几何稳定性，同时调整了Transformer表示和分类头以实现塑性，尤其是在跨域场景中。该方法还结合了伪特征回放以减轻先前学习类别的遗忘，并使用两阶段一致蒸馏来对齐表示。在COCO、VOC和TT100K数据集上的实验表明，该方法在保留旧类别和适应新类别之间取得了平衡，达到了最先进的性能。 AI

影响这项研究可以提高需要随着时间推移学习新目标类别而不会忘记先前学习类别的AI系统的效率和有效性。

排序理由该集群包含一篇详细介绍增量目标检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 25 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍增量目标检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Songze Li, Qixing Xu, Tonghua Su, Xu-Yao Zhang, Zhongjie Wang, Yunzhe Li · 2026-09-02 04:00

利用预训练检测器中的稳定性-可塑性不对称进行增量目标检测

arXiv:2504.10214v2 Announce Type: replace Abstract: Pretrained model-based incremental object detection (PTMIOD) leverages the rich detection priors of pretrained detectors to learn new categories incrementally while preserving detection ability on previously learned ones. Existi…

本文如何被排名

报道来源 [1]

利用预训练检测器中的稳定性-可塑性不对称进行增量目标检测

相关实体

相关话题