FDCNet: Netzwerk zur Kompensation von Merkmalsdrift für klasseninkrementelles schwach überwachtes Objektlokalisation

Diese Arbeit befasst sich mit der Aufgabe der klasseninkrementellen schwach überwachten Objektlokalisation (CI-WSOL). Das Ziel ist es, die Objektlokalisation für neue Klassen schrittweise zu lernen, indem nur bildbasierte Annotationen verwendet werden, während gleichzeitig die Fähigkeit zur Lokalisation der bereits gelernten Klassen beibehalten wird. Diese Aufgabe ist von großer Bedeutung, da das Annotieren von Bounding Boxes für jede neue eingehende Datenmenge kostspielig ist, obwohl die Objektlokalisation in verschiedenen Anwendungen entscheidend ist. Nach bestem Wissen sind wir die Ersten, die sich dieser Aufgabe stellen. Daher präsentieren wir zunächst eine robuste Baseline-Methode für CI-WSOL, indem wir Strategien von klasseninkrementellen Klassifizierern anwenden, um das katastrophale Vergessen zu mindern. Zu diesen Strategien gehören das Anwenden von Wissensdistillierung, das Erhalt einer kleinen Datensatzes aus vorherigen Aufgaben und die Verwendung von Kosinusnormalisierung. Anschließend schlagen wir ein Netzwerk zur Kompensation des Merkmalswandels vor, um die Auswirkungen von Merkmalswandlungen auf die Klassifikationsergebnisse und Lokalisationskarten zu kompensieren. Da das Aktualisieren der Netzwerkparameter zum Lernen neuer Aufgaben Merkmalswandlungen verursacht, ist eine Kompensation der endgültigen Ausgaben notwendig. Schließlich bewerten wir unsere vorgeschlagene Methode durch Experimente auf zwei öffentlich zugänglichen Datensätzen (ImageNet-100 und CUB-200). Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode andere Baseline-Methoden übertrifft.