SDCoT++:改进了静态动态联合教学,用于课堂增量3D对象检测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习在3D对象检测方面表现出色,但在增量学习过程中与灾难性遗忘作斗争.
• 灾难性遗忘,在学习新课程时旧课程的性能下降,阻碍了需要持续学习的真实世界AI应用.
• 在场景中类别的同时出现加剧了在增量3D对象检测中的遗忘和模型混乱.

研究的目的:

• 提出一种新的静态动态联合教学框架,以解决在增量3D对象检测中的灾难性遗忘问题.
• 提高人工智能系统不断学习新对象类别的能力,而不会对先前学习的对象类别造成性能下降.
• 开发一种可靠的方法,以减轻老类和新类频繁同时出现所造成的混乱.

主要方法:

• 引入了一种静态动态的联合教学方法,用一个学生模型和两个教师:一个静态的老师用于旧知识,一个动态的老师用于新知识.
• 由静态和动态教师为旧班级生成伪标签,以减轻增量学习期间的并发问题.
• 校准了基础类概率,以平衡类事件并改善伪标签选择,增强对不同类频率的稳定性.

主要成果:

• 静态动态联合教学方法在增量3D对象检测方面明显优于基线方法.
• 该框架在保留以前训练过的类的知识,同时学习新的知识方面表现出卓越的表现.
• 实验验证实了该方法在各种室内和室外基准数据集中的有效性.

结论:

• 拟议的静态动态联合教学方法有效地克服了在增量3D对象检测中的灾难性遗忘.
• 该框架的骨干不可知性允许与各种3D检测架构 (如VoteNet,3DETR和CAGroup3D) 进行无集成.
• 这项研究推进了AI在现实世界3D感知任务中的持续学习能力.