論文の概要: Better Matching, Less Forgetting: A Quality-Guided Matcher for Transformer-based Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2603.01524v1
• Date: Mon, 02 Mar 2026 06:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.724435
• Title: Better Matching, Less Forgetting: A Quality-Guided Matcher for Transformer-based Incremental Object Detection
• Title（参考訳）: 整合性の向上, 整合性の向上: 変圧器を用いたインクリメンタル物体検出のための品質ガイド型整合器
• Authors: Qirui Wu, Shizhou Zhang, De Cheng, Yinghui Xing, Lingyan Ran, Dahu Shi, Peng Wang,
• Abstract要約: 永続的な課題は破滅的な忘れ事であり、主に従来の検出器の背景シフトに起因する。 我々は、DETRのようなアーキテクチャに特有な、新しい、独特な忘れの源を同定する:背景フォアグラウンド。 これはハンガリーのマッカーの徹底的な制約に起因し、全ての根拠的真理目標を1つの予測に強制的に割り当てる。
• 参考スコア（独自算出の注目度）: 37.2487040069697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental Object Detection (IOD) aims to continuously learn new object classes without forgetting previously learned ones. A persistent challenge is catastrophic forgetting, primarily attributed to background shift in conventional detectors. While pseudo-labeling mitigates this in dense detectors, we identify a novel, distinct source of forgetting specific to DETR-like architectures: background foregrounding. This arises from the exhaustiveness constraint of the Hungarian matcher, which forcibly assigns every ground truth target to one prediction, even when predictions primarily cover background regions (i.e., low IoU). This erroneous supervision compels the model to misclassify background features as specific foreground classes, disrupting learned representations and accelerating forgetting. To address this, we propose a Quality-guided Min-Cost Max-Flow (Q-MCMF) matcher. To avoid forced assignments, Q-MCMF builds a flow graph and prunes implausible matches based on geometric quality. It then optimizes for the final matching that minimizes cost and maximizes valid assignments. This strategy eliminates harmful supervision from background foregrounding while maximizing foreground learning signals. Extensive experiments on the COCO dataset under various incremental settings demonstrate that our method consistently outperforms existing state-of-the-art approaches.
• Abstract（参考訳）: インクリメンタルオブジェクト検出(IOD)は、学習済みのオブジェクトを忘れずに、新しいオブジェクトクラスを継続的に学習することを目的としている。 永続的な課題は破滅的な忘れ事であり、主に従来の検出器の背景シフトに起因する。 擬似ラベルは、これを密度の高い検出器で緩和するが、DETRのようなアーキテクチャに特有な、新しい、明確な忘れの源である背景フォアグラウンドを識別する。 これはハンガリーのマッカーの排他的制約に起因し、予測が主に背景領域(すなわち低IoU)をカバーする場合であっても、すべての真理目標を1つの予測に強制的に割り当てる。 この誤った監督は、背景の特徴を特定の前景クラスとして誤分類し、学習した表現を乱し、忘れを加速するモデルを補完する。 そこで我々はQ-MCMF(Quality-Guided Min-Cost Max-Flow)を提案する。 強制的な割り当てを避けるため、Q-MCMFはフローグラフを構築し、幾何学的品質に基づいて不明瞭なマッチングを行う。 そして、コストを最小化し、有効な割り当てを最大化する最終マッチングを最適化する。 この戦略は、前景学習信号を最大化しながら、背景前景から有害な監視を取り除く。 様々なインクリメンタルな設定下でのCOCOデータセットの大規模な実験は、我々の手法が既存の最先端アプローチを一貫して上回っていることを示している。

関連論文リスト

• Stacking Brick by Brick: Aligned Feature Isolation for Incremental Face Forgery Detection [18.46382766430443]
  鼻訓練IFFDモデルは、新しい偽造物が統合されると破滅的な忘れがちである。 本稿では、SURデータを利用して分布を分離・調整するLatent-space Incremental Detector(LID)を提案する。 評価のために、IFFDに適したより高度で包括的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-11-18T09:18:36Z)
• Typicalness-Aware Learning for Failure Detection [26.23185979968123]
  ディープニューラルネットワーク(DNN)は、しばしば自信過剰な問題に悩まされる。 そこで本研究では,本問題に対処し,故障検出性能を向上させるために,S typicalness-Aware Learning (TAL) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T11:09:47Z)
• Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention [22.580497586948198]
  複雑な背景乱れの中で、赤外線小目標検出は、ディムターゲットを正確に位置決めする固有の課題に直面している。 本稿では,従来のヒットミストレードオフを超えて高精度なネットワークであるSeRankDetを提案する。
  論文  参考訳（メタデータ） (2024-08-07T12:10:32Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Solving Missing-Annotation Object Detection with Background Recalibration Loss [49.42997894751021]
  本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。 従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。 本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:11:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。