Replay Consolidation with Label Propagation for Continual Object Detection
Created by
- Haebom
Category
Empty
저자
Riccardo De Monte, Davide Dalle Pezze, Marina Ceccon, Francesco Pasti, Francesco Paissan, Elisabetta Farella, Gian Antonio Susto, Nicola Bellotto
개요
본 논문은 지속 학습(Continual Learning, CL)에서 객체 탐지에 대한 새로운 접근 방식인 Replay Consolidation with Label Propagation for Object Detection (RCLPOD)을 제안합니다. 기존의 지속 학습 기반 객체 탐지 연구는 주로 증류 기반 기법에 집중되어 있으며, 특히 과거 작업에서 미확인 클래스의 객체가 나중에 나타나는 경우(missing annotations problem) 작업 간섭 문제가 발생합니다. RCLPOD는 리플레이 메모리의 샘플 품질을 향상시키기 위해 클래스 균형을 개선하고 라벨 전파 기법을 통해 정답 라벨의 품질을 향상시킵니다. VOC와 COCO와 같은 기준 데이터셋에서 기존 기법보다 우수한 성능을 보이며, YOLOv8과 같은 최신 아키텍처와의 호환성을 통해 자율 주행 및 로봇 공학과 같은 실제 응용 분야에 적합합니다.
시사점, 한계점
•
시사점:
◦
기존 증류 기반 지속 학습 객체 탐지 방법의 한계를 극복하는 새로운 접근 방식 제시.
◦
리플레이 메모리의 샘플 품질 향상을 통해 작업 간섭 문제 완화.
◦
라벨 전파 기법을 활용하여 정답 라벨의 품질 향상.
◦
YOLOv8 등 최신 아키텍처와의 호환성으로 실제 응용 분야 적용 가능성 증대.
◦
VOC 및 COCO 데이터셋에서 기존 방법 대비 성능 향상.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 실험 필요.
◦
다양한 데이터셋 및 작업 시나리오에 대한 robustness 평가 필요.
◦
라벨 전파 기법의 계산 비용 및 효율성에 대한 분석 필요.
◦
극단적인 클래스 불균형 상황에서의 성능 평가 필요.
