論文の概要: Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2607.17340v1
• Date: Sun, 19 Jul 2026 17:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.432051
• Title: Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection
• Title（参考訳）: ドメインインクリメンタルオブジェクト検出のための直交的知識リフレッシュ
• Abstract要約: ドメイン・インクリメンタルなオブジェクト検出は、事前の知識を保持しながら、新しいドメインに継続的に適応するモデルを必要とする。 直交知識リフレッシュ(OKR, Orthogonal Knowledge Refreshing)は,DIODの簡易かつ効果的なフレームワークである。 OKRは独立したドメイン固有の部分空間を、各ドメインに対して専用のローランクブランチを通じて徐々に構成する。
• 参考スコア（独自算出の注目度）: 37.885906679929796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain-incremental object detection (DIOD) requires models to continually adapt to new domains while preserving prior knowledge. Recently, parameter-efficient fine-tuning offers a promising avenue, wherein a pre-trained model is frozen and a small number of learnable parameters are injected for downstream tasks. However, these methods risk overwriting critical past knowledge, triggering inter-domain interference and performance degradation. To address this challenge, we propose Orthogonal Knowledge Refreshing (OKR), a simple yet effective framework for DIOD. OKR incrementally constructs independent domain-specific subspaces via dedicated low-rank branches for each domain, which are seamlessly fused for a holistic decision, enabling conflict-free capacity expansion without domain selection during inference. To minimize knowledge interference during fusion, we present a gradient-based orthogonal refreshing strategy that projects gradient updates of new domains onto the orthogonal complement of the fused historical subspace, supporting continual adaptation without forgetting. Moreover, to mitigate semantic fragmentation across domains, we enforce topology-aware consistency, aligning the semantic structures of old and new domains. Extensive experiments validate the superiority of OKR, outperforming the best exemplar-free method by significant margins of +5.6% and +6.5% mAP on the Pascal VOC and BDD100K series, respectively.
• Abstract（参考訳）: ドメイン・インクリメンタル・オブジェクト検出(DIOD)は、事前の知識を保持しながら、新しいドメインに継続的に適応するモデルを必要とする。 近年、パラメータ効率の良い微調整は、事前訓練されたモデルが凍結され、下流タスクに少数の学習可能なパラメータが注入される、有望な道を提供する。 しかし、これらの手法は、重要な過去の知識を上書きし、ドメイン間干渉と性能劣化を引き起こすリスクがある。 この課題に対処するため,直交知識リフレッシュ(OKR)を提案する。 OKRは独立したドメイン固有の部分空間を各ドメインの専用ローランク分岐を通じて徐々に構成するが、これは完全な決定のためにシームレスに融合し、推論中にドメインの選択なしでコンフリクトフリーなキャパシティ拡張を可能にする。 融合時の知識干渉を最小限に抑えるため,新しい領域の勾配更新を融合した歴史的部分空間の直交補空間に投射し,忘れることなく連続的な適応を支援する勾配に基づく直交リフレッシュ戦略を提案する。 さらに、ドメイン間のセマンティックフラグメンテーションを軽減するために、トポロジに配慮した一貫性を強制し、古いドメインと新しいドメインのセマンティック構造を整合させる。 大規模な実験はOKRの優越性を検証し、パスカルVOCおよびBDD100Kシリーズにおいて、それぞれ+5.6%と+6.5%のマージンで最高の模範のない方法よりも優れていた。

関連論文リスト

• Parameter isolation with domain-specific experts for incremental audio classification [4.541172620857825]
  本稿では,過去のドメインを全て保持する新しいドメイン固有パラメータアイソレーションアーキテクチャを提案する。 我々は、データフリーな生成リプレイを組み込んで、以前のドメインデータとクロスドメイン機能の生成を再構築し、後のドメインから欠落した専門家機能を復元する。 我々は,チャレンジベースラインにおいて,それぞれ78.4%,78.9%のマイクロアキュラティ,マクロアキュラティを実現し,33ポイント,25ポイントの増加を示した。
  論文  参考訳（メタデータ） (2026-09-13T18:47:01Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Class-aware Domain Knowledge Fusion and Fission for Continual Test-Time Adaptation [50.831196928686104]
  連続的なテスト時間適応のためのクラス認識ドメイン知識融合とフィッション法を提案する。 ドメイン知識フィッション(KFI)モジュールは、新しいドメイン知識をペア化されたクラス認識ドメインプロンプトプールから適応的に分離するように設計されている。 ドメイン知識融合(KFU)モジュールはさらに、分裂した新しい知識を最小限のコストで既存の知識プールにマージするように設計されている。
  論文  参考訳（メタデータ） (2025-10-14T05:09:50Z)
• RoGA: Towards Generalizable Deepfake Detection through Robust Gradient Alignment [13.327130030147565]
  一般化勾配更新とEMM勾配更新を一致させる新しい学習目標を提案する。 鍵となる革新は、モデルパラメータへの摂動の適用であり、ドメイン間の上昇点を整列させることである。 複数の挑戦的なディープフェイク検出データセットの実験結果から、勾配アライメント戦略が最先端の領域一般化技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-27T03:02:21Z)
• Dynamic Prompt Allocation and Tuning for Continual Test-Time Adaptation [29.931721498877483]
  連続的テスト時間適応(CTTA)は、最近、継続的に進行するターゲット分布に適応するために出現している。 既存の手法は通常、モデルパラメータの変動を制限するために明示的な正規化項を含む。 学習可能なドメイン固有のプロンプトを導入し、モデルが対応する対象ドメインに適応するように誘導する。
  論文  参考訳（メタデータ） (2024-12-12T14:24:04Z)
• Gradient Alignment for Cross-Domain Face Anti-Spoofing [26.517887637150594]
  本稿では,新たな学習目標であるGAC-FASを紹介する。 従来のシャープネス対応最小化器とは異なり、GAC-FASは各領域の上昇点を特定し、一般化勾配の更新を制御する。 ドメイン間FASデータセットの厳密な検証によりGAC-FASの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T02:57:44Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Towards Stable and Comprehensive Domain Alignment: Max-Margin Domain-Adversarial Training [38.12978698952838]
  適応再構成ネットワーク(ARN)を設計し,MDAT(Max-margin Domain-Adversarial Training)を提案する。 ARNは、余分なネットワーク構造を伴わずに、機能レベルとピクセルレベルのドメインアライメントを実行する。 我々のアプローチは、他の最先端のドメインアライメント手法よりも優れています。
  論文  参考訳（メタデータ） (2020-03-30T07:48:52Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。