論文の概要: Breaking the Model Forgetting Cycle in Long-Incremental 3D Object Detection
- arxiv url: http://arxiv.org/abs/2607.14560v1
- Date: Thu, 16 Jul 2026 04:39:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.987701
- Title: Breaking the Model Forgetting Cycle in Long-Incremental 3D Object Detection
- Title（参考訳）: 長期3次元物体検出におけるモデル予測サイクルの破れ
- Authors: Peisheng Qian, Jie Xu, Xulei Yang, Na Zhao,
- Abstract要約: インクリメンタルな3Dオブジェクト検出は、シーケンシャルに到着したデータを記憶しながら、新しいオブジェクトクラスを学習するための検出器を必要とする。
従来の手法は、主に擬似ラベルに基づくもので、短い段階において合理的に実行するが、長い段階の配列を扱う際には、深刻なモデルを忘れることに苦しむ。
本稿では,この問題に対処するためのemphLearning-Dynamics-driven Memory and Reviewフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.58819091362561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Incremental 3D object detection requires a detector to learn novel object classes while remembering previously learned ones over sequentially arriving data. Previous methods, primarily based on pseudo-labeling, perform reasonably in short-incremental stages but still suffer from severe model forgetting when dealing with long-incremental sequences. We investigate this failure and reveal a detrimental self-reinforcing cycle: data distribution shift of novel classes causes model forgetting on old classes, which further produces accumulated error in pseudo-labeling that exacerbates model degradation. To address this issue, we draw inspiration from the human learning process and propose the \emph{Learning-Dynamics-driven Memory and Review} (LDMR) framework. LDMR monitors per-class detection quality at periodic training checkpoints and uses these learning-dynamics signals to drive two innovative mechanisms, namely (i) human-like intra-stage review that divides each incremental stage into multiple sub-stages' training and concentrates on remembering the most-forgotten objects, and (ii) scene-aware cross-stage memory evolution that evolves a memory bank to transfer knowledge between two consecutive stages by jointly considering scene learnability and diversity. Extensive experiments across multiple long-incremental protocols on indoor benchmarks SUN RGB-D and ScanNetV2 show that LDMR substantially mitigates the model forgetting and outperforms all baselines by a clear margin. Code is available at https://github.com/qianpeisheng/LDMR.
- Abstract（参考訳）: インクリメンタルな3Dオブジェクト検出は、シーケンシャルに到着したデータを記憶しながら、新しいオブジェクトクラスを学習するための検出器を必要とする。
従来の手法は、主に擬似ラベルに基づくもので、短い段階において合理的に実行するが、長い段階の配列を扱う際には、深刻なモデルを忘れることに苦しむ。
新たなクラスのデータ分散シフトは、古いクラスのモデル忘れを生じさせ、さらにモデル劣化を悪化させる擬似ラベルにおける累積誤差を生じさせる。
この問題に対処するため,人間の学習プロセスからインスピレーションを得て,emph{Learning-Dynamics-driven Memory and Review} (LDMR) フレームワークを提案する。
LDMRは、定期的なトレーニングチェックポイントにおけるクラスごとの検知品質を監視し、これらの学習力学信号を用いて、2つの革新的なメカニズム、すなわち、駆動する。
一 各段階を複数のサブステージに分けて、最も忘れられた物体を覚えることに集中するヒト様の段階内レビュー
二 シーン学習性と多様性を両立させることにより、記憶バンクを進化させ、二段階間の知識を伝達するシーン認識型クロスステージメモリの進化。
室内ベンチマークSUN RGB-DとScanNetV2における複数の長期的プロトコルに対する大規模な実験により、LDMRはモデルを無視し、すべてのベースラインを明確なマージンで上回ることを明らかにした。
コードはhttps://github.com/qianpeisheng/LDMRで入手できる。
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) - 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。
学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-07-08T17:59:54Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection [71.18882803642526]
ディープラーニングアプローチは、3Dオブジェクト検出タスクにおいて顕著なパフォーマンスを示している。
古いデータを再考することなく、新しいクラスを漸進的に学習するときに、破滅的なパフォーマンス低下に悩まされる。
この「破滅的な忘れ物」現象は、現実世界のシナリオにおける3Dオブジェクト検出アプローチの展開を妨げる。
SDCoTは,新しい静的なコティーチング手法である。
論文 参考訳（メタデータ） (2021-12-14T09:03:41Z) - Towards Generalized and Incremental Few-Shot Object Detection [9.033533653482529]
新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。
具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。
我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
論文 参考訳（メタデータ） (2021-09-23T12:38:09Z) - 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) - Two-Level Residual Distillation based Triple Network for Incremental
Object Detection [21.725878050355824]
本稿では,より高速なR-CNNに基づく新しいインクリメンタルオブジェクト検出手法を提案する。
従来の学習知識を忘れることなく、新しいクラスでの漸進的なモデル学習を支援するためのアシスタントとして、古いモデルと残留モデルを使用する三重ネットワークである。
論文 参考訳（メタデータ） (2020-07-27T11:04:57Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。