天津实体店网站建设深圳宝安区住建局官网

研究背景与问题​

真实世界的目标检测系统（如自动驾驶、监控）需同时应对两类挑战：

1. ​类别增量学习​：动态学习新物体类别（如新型交通标志）。
2. ​领域增量学习​：适应环境变化（如光照、天气）。
   现有方法仅解决单一挑战：

• ​CIOD（类别增量目标检测）​​：在新类别学习中表现优异，但无法泛化到新领域（如晴天训练的模型在雨天失效）。
• ​DIOD（领域增量目标检测）​​：适应新领域能力强，但学习新类别时存在灾难性遗忘（如新增类别导致旧类别识别率骤降）。

 

核心创新：DuIOD任务与DuET框架​

1. ​提出DuIOD任务​

• ​定义​：模型需在无历史数据（exemplar-free）条件下，同时增量学习新物体类别并适应新领域。
• ​挑战​：
  • ​背景偏移问题​：旧类别物体在新任务中被标注为背景，导致模型遗忘。
  <