論文の概要: Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2607.13452v1
• Date: Wed, 15 Jul 2026 05:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.658755
• Title: Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection
• Title（参考訳）: 漸近的物体検出のための共生による知識蒸留
• Authors: Mingyue Zeng, De Cheng, Zhipeng Xu, Huaijie Wang, Nannan Wang, Xinbo Gao,
• Abstract要約: インクリメンタルオブジェクト検出は、以前取得した知識を維持しながら、検出器を新しいカテゴリに拡張することを目的としている。 既存のメソッドは、しばしばクラスインクリメンタルな学習の観点を採用し、決定境界を鋭くするために特徴空間を分離する。 本稿では2つの相補的なレベルで対象共生を明示的に活用する共生誘発知識蒸留(SIKD)を提案する。
• 参考スコア（独自算出の注目度）: 80.33776636283082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incremental object detection (IOD) aims to extend detectors to new categories while retaining previously acquired knowledge. Existing methods often adopt a class incremental learning perspective, separating feature spaces to sharpen decision boundaries. However, this separation-oriented paradigm may overlook object symbiosis in detection, where co-occurrence and occlusion introduce spatial and semantic dependencies that benefit from shared representations. Ignoring these dependencies distorts the shared representations, exacerbates confusion between old and new classes, and accelerates catastrophic forgetting. To address this, we propose Symbiosis-Inspired Knowledge Distillation (SIKD), which explicitly leverages object symbiosis at two complementary levels. Spatial Symbiosis Distillation (SpSD) focuses on symbiotic regions where the old model responds with high overlap to objects in the new task. It preserves generalizable old class cues, suppresses class-specific bias and redundancy, and distills the refined evidence to the new model at matched spatial locations with slot-aligned supervision. Semantic Symbiosis Distillation (SeSD) maintains class level structure by forming confidence weighted prototypes for old classes and aligning their inter class soft ranks over the old class logits, which stabilizes the semantic topology during adaptation. Extensive experiments demonstrate the effectiveness and superiority of the proposed method.
• Abstract（参考訳）: インクリメンタルオブジェクト検出(IOD)は、以前取得した知識を維持しながら、検出器を新しいカテゴリに拡張することを目的としている。 既存のメソッドは、しばしばクラスインクリメンタルな学習の観点を採用し、決定境界を鋭くするために特徴空間を分離する。 しかし、この分離指向のパラダイムは、共有表現の恩恵を受ける空間的および意味的依存関係を導入し、検出におけるオブジェクト共生を見落としてしまう可能性がある。 これらの依存関係を無視することは、共有表現を歪め、古いクラスと新しいクラスの混乱を悪化させ、破滅的な忘れを加速させる。 そこで本研究では,2つの相補的なレベルで対象共生を明示的に活用するSymbiosis-Inspired Knowledge Distillation (SIKD)を提案する。 空間共生蒸留(spatial Symbiosis Distillation、SpSD)は、新しいタスクにおいて、古いモデルがオブジェクトに高い重なり合いで応答する共生領域に焦点を当てる。 一般化可能な古いクラスキューを保存し、クラス固有のバイアスと冗長性を抑え、整合した空間位置で新しいモデルに洗練されたエビデンスを蒸留し、スロットアラインな監視を行う。 Semantic Symbiosis Distillation (SeSD)は、古いクラスの信頼性重み付けされたプロトタイプを作成し、それらのクラス間のソフトなランクを古いクラスのロジットの上に整列させ、適応中の意味的トポロジーを安定化させることにより、クラスレベルの構造を維持している。 実験により提案手法の有効性と優位性を実証した。

関連論文リスト

• STAR-IOD: Scale-decoupled Topology Alignment with Pseudo-label Refinement for Remote Sensing Incremental Object Detection [26.581594459769363]
  従来の検出器は、新しいものを学ぶ際に、以前に学んだカテゴリを忘れることが多い。 既存の手法は、リモートセンシングシーンでよく見られるクラス内スケールのバリエーションを概ね見落としている。 これらの課題に対処するための新しいフレームワークSTAR-IODを提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:43:09Z)
• The Finer the Better: Towards Granular-aware Open-set Domain Generalization [31.197204515055756]
  オープンセットドメインの一般化は、デプロイされたモデルがドメインシフトと新しいオブジェクトカテゴリの両方に遭遇する現実的なシナリオに取り組む。 既存の手法は、未知のクラスの構造的リスクと未知のクラスの構造的リスクの間のジレンマに依然として陥る。 本稿では, セマンティック・エンハンスメントを用いたCLIPフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T06:19:19Z)
• CoMBO: Conflict Mitigation via Branched Optimization for Class Incremental Segmentation [75.35841972192684]
  効果的なクラスインクリメンタル(CIS)は、破滅的な忘れを同時に緩和し、新しいクラスを統合するのに十分な可塑性を確保する必要がある。 分岐最適化(CoMBO)による競合緩和という新しいアプローチを導入する。 このアプローチでは、新しいクラスに対するクエリを明示的に洗練するために設計されたQuery Conflict Reductionモジュールを提示する。
  論文  参考訳（メタデータ） (2025-04-05T12:34:51Z)
• CSTA: Spatial-Temporal Causal Adaptive Learning for Exemplar-Free Video Class-Incremental Learning [62.69917996026769]
  クラスインクリメンタルな学習課題は、空間的外観と時間的行動の関与の両方を学習し、保存することを必要とする。 本稿では,各クラス固有のインクリメンタル情報要件を調整し,新しいクラスパターンを学習するためのアダプタを分離するフレームワークを提案する。 異なる種類の情報間のインクリメントと記憶の衝突を減らすために,因果補償機構を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:34:55Z)
• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
  我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2021-07-05T04:36:33Z)
• Unsupervised Discriminative Embedding for Sub-Action Learning in Complex Activities [54.615003524001686]
  本稿では,複雑な活動における教師なしサブアクション学習の新たなアプローチを提案する。 提案手法は,視覚表現と時間表現の両方を,サブアクションを識別的に学習する潜在空間にマッピングする。 視覚-時空間埋め込みと判別的潜在概念の組み合わせにより,教師なし設定でロバストな動作表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-30T20:07:27Z)
• Continual Semantic Segmentation via Repulsion-Attraction of Sparse and Disentangled Latent Representations [18.655840060559168]
  本稿では,セマンティックセグメンテーションにおけるクラス連続学習に着目した。 新しいカテゴリは時間とともに利用可能になり、以前のトレーニングデータは保持されない。 提案された連続学習スキームは、潜在空間を形作り、新しいクラスの認識を改善しながら忘れを減らす。
  論文  参考訳（メタデータ） (2021-03-10T21:02:05Z)

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。