【技术实现步骤摘要】
本专利技术涉及目标检测和增量学习，特别是涉及一种融合非对称蒸馏区域选取和自适应加权响应蒸馏的增量目标检测方法、装置、设备及介质。
技术介绍
1、人类天生具备持续学习的能力，能够在学习新知识的同时不遗忘之前获得的知识。然而，常见的深度学习算法在学习新知识的过程中通常会出现对之前知识的灾难性遗忘。为应对这一问题，近年来涌现出对神经网络算法进行增量学习的研究。增量学习旨在使模型能够逐步学习和适应新的知识，无需在所有数据上重新训练整个模型，从而使其能够灵活地更新自身而不影响已掌握的知识。具体到目标检测领域，常见的目标检测器通常仅适用于最初构建时规定的可检测类别，无法进行动态扩展以检测不同类别的目标。
2、然而，在真实世界场景中，对可增量学习的目标检测器存在较大需求。例如，在监控摄像头或者自动驾驶系统等应用中，经常需要动态增加检测器的检测能力，例如增加对新的场景、不同类别交通标志物等的检测。这些场景对检测器的实时性和学习能力提出了较高的要求，常规的基于闭集数据构建的非增量目标检测器难以满足。
3、因此，如何提供一种良好的增...
【技术保护点】
1.一种基于知识蒸馏的增量目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，所述分类蒸馏区域包括所述教师检测器分类响应的所有区域。
3.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，所述自适应加权的分类知识蒸馏方法包括采用置信度自适应加权的L1损失函数进行分类知识蒸馏，所述L1损失函数如下式所示：
4.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，通过分类置信度的统计指标构建动态置信度阈值，通过置信度阈值分割、区域校正、区域去重划分出高度确定性的...
【技术特征摘要】
1.一种基于知识蒸馏的增量目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，所述分类蒸馏区域包括所述教师检测器分类响应的所有区域。
3.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，所述自适应加权的分类知识蒸馏方法包括采用置信度自适应加权的l1损失函数进行分类知识蒸馏，所述l1损失函数如下式所示：
4.根据权利要求1所述的基于知识蒸馏的增量目标检测方法，其特征在于，通过分类置信度的统计指标构建动态置信度阈值，通过置信度阈值分割、区域校正、区域去重划分出高度确定性的区域，将高度确定性的区域作为所述定位蒸馏区域。
5.根据权利要求4所述的基于知识蒸馏的增量目标检测方法，其特征在于，对分类响应的最大置信度进行均值μ和标准差σ的计算，并据此确定μ+3*σ为置信度阈...
【专利技术属性】
技术研发人员：宋红，白亮，杨健，艾丹妮，范敬凡，肖德强，付天宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。