論文の概要: CL3DOD: Understanding the Stability-Plasticity Dilemma in Outdoor Class-Incremental 3D Object Detection

• arxiv url: http://arxiv.org/abs/2611.03229v1
• Date: Mon, 02 Nov 2026 14:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:42:13.246171
• Title: CL3DOD: Understanding the Stability-Plasticity Dilemma in Outdoor Class-Incremental 3D Object Detection
• Title（参考訳）: CL3DOD:屋外クラスの3次元物体検出における安定性-塑性ジレンマの理解
• Abstract要約: 3次元物体検出のためのクラスインクリメンタルな学習は、いまだに未探索である。 CL3DODは,従来のクラスに対する監視の欠如を回復するクラスインクリメンタルな3D検出フレームワークである。 KITTIとnuScenesの実験では、両方のベンチマークで一貫した安定性-塑性ジレンマが示される。
• 参考スコア（独自算出の注目度）: 19.198081989451506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-incremental learning (CIL) for outdoor 3D object detection remains largely underexplored. Existing outdoor studies are limited to single-benchmark evaluations, with SDCoT++ considering KITTI and CL2OD considering nuScenes under different incremental settings. This makes it difficult to assess whether observed continual-learning behavior generalizes across autonomous-driving benchmarks. To the best of our knowledge, we provide the first unified cross-benchmark analysis of outdoor class-incremental 3D object detection across multiple autonomous-driving benchmarks, covering both two-task and multi-stage settings. We investigate: (1) how severely existing 3D detectors forget previously learned classes, (2) how incremental training exposes the stability-plasticity dilemma between knowledge retention and new-class acquisition, and (3) which forms of supervision are most effective for balancing these objectives. We introduce CL3DOD, a class-incremental 3D detection framework that restores missing supervision for previous classes using predictions from the previous-stage detector, preserves old-class responses through query-wise knowledge distillation, and employs EMA-based temporal consistency regularization. Experiments on KITTI and nuScenes reveal a consistent stability-plasticity dilemma across both benchmarks. CL3DOD generally achieves a more favorable stability-plasticity balance than controlled incremental baselines and improves upon published prior methods in the reported benchmark comparisons. This advantage persists across multiple incremental stages, demonstrating strong retention of previously learned knowledge while maintaining effective new-class acquisition. Our code, evaluation setup, and incremental task splits will be publicly released.
• Abstract（参考訳）: 屋外3次元物体検出のためのクラスインクリメンタルラーニング (CIL) は, ほとんど未検討である。 既存のアウトドアスタディは単一ベンチマーク評価に限られており、SDCoT++はKITTIとCL2ODは異なるインクリメンタル設定下でnuScenesを考慮している。 これにより、観察された連続学習行動が自律走行ベンチマークにまたがって一般化するかどうかを評価することが困難になる。 我々の知識を最大限に活用するために、我々は、複数の自律走行ベンチマークにおいて、屋外のクラスインクリメンタルな3Dオブジェクト検出を、最初の統合ベンチマーク分析を行い、2タスクとマルチステージの両方をカバーした。 本研究は,(1)既存の3D検出器が学習済みの授業をいかに忘れているか,(2)知識保持と新クラスの獲得の間の安定性・塑性ジレンマを段階的トレーニングがいかに露呈しているか,(3)これらの目的のバランスをとる上で最も効果的かを検討する。 CL3DODは,前段階の検知器からの予測を用いて,前段階の教師の欠如を回復し,問合せ知識の蒸留を通じて旧クラスの応答を保存し,EMAに基づく時間的整合性正規化を採用する,クラス増分3D検出フレームワークである。 KITTIとnuScenesの実験では、両方のベンチマークで一貫した安定性-塑性ジレンマが示される。 CL3DODは一般に、制御されたインクリメンタルベースラインよりも、より好ましい安定性と塑性のバランスを達成し、報告されたベンチマーク比較において、公開された先行手法により改善される。 この利点は、複数の段階的な段階にわたって持続し、効果的な新しいクラスの獲得を維持しながら、以前に学んだ知識を強く保持することを示しています。 私たちのコード、評価設定、漸進的なタスク分割が公開されます。

関連論文リスト

• Breaking the Model Forgetting Cycle in Long-Incremental 3D Object Detection [17.58819091362561]
  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。
  論文  参考訳（メタデータ） (2026-07-16T04:39:35Z)
• YOLO-IOD: Towards Real Time Incremental Object Detection [57.862742461237055]
  本稿では、事前訓練されたYOLO-Worldモデルに基づいて構築されたリアルタイムインクリメンタルオブジェクト検出(IOD)フレームワークであるYOLO-IODを紹介する。 YOLO-IODは3つの主要な構成要素を含む: 1) 衝突を意識した擬似ラベルリファインメント(CPR)は、前景と背景の混乱を緩和する。 また, クロスステージ非対称な知識蒸留法 (CAKD) を導入する。
  論文  参考訳（メタデータ） (2025-12-28T15:35:26Z)
• C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor [9.917394249928092]
  3次元異常検出 (AD) は, 工業製品の異常や欠陥を検出する大きな可能性を示している。 既存のメソッドは通常、クラス固有の方法で訓練され、新しいクラスから学ぶ能力も欠如している。 連続3次元異常検出(C3D-AD)を提案する。これは多点点クラウドの一般化表現を学習するだけでなく,時間とともに出現する新しいクラスを処理できる。
  論文  参考訳（メタデータ） (2025-08-02T10:54:55Z)
• CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation [67.36817440834251]
  我々はtextbfCLass-incremental textbfIm Balance-aware textbf3DIS の統一フレームワークを提案する。 提案手法は, 先行研究を最大16.76%まで上回り, セマンティックセマンティックセマンティックセマンティクスでは約30%のmIoUを達成している。
  論文  参考訳（メタデータ） (2025-02-24T18:58:58Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• 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)

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。