基于边框距离度量的增量目标检测方法

增量学习在图像分类中已经获得了不错的效果,但是将增量学习技术直接应用于多类目标检测具有一定的挑战性.相比图像分类,目标检测是一项更复杂的任务,因为它结合了分类和边框回归的问题.目前最先进的增量目标检测器大多采用基于知识蒸馏的外部固定区域建议方法,该方法需耗费大量的时间和成本.由于单阶段检测器缺少旧类别的标注和区域建议信息,检测器通常会将旧类目标识别为背景,从而导致灾难性遗忘,因此提出了一种基于边框距离度量的标签选择算法.该算法利用旧模型检测结果和现有的数据集标签,通过度量边框重合度进行选择与合并,弥补了新数据集中旧类目标注释缺失的问题,缓解了灾难性遗忘.同时设计了一个注意力残差模块,该模块通过将注意力模块与残差模块相结合,在特征提取网络的不同深度均能提取可鉴别性特征,进一步提升了模型检测新旧类目标的精度.在单阶段检测框架中实现了该方法,同时在PAS-CAL VOC数据集上验证了该方法的有效性.与目前最好的方法相比,所提模型检测旧类别目标的平均精度值mA P高出了2.8％,总体的平均精度值mA P高出了2.1％.所提方法得到的伪标签有效缓解了遗忘问题,注意力残差模块的设计提升了模型的检测精度.