SJTU王锐学长 / douyin· SJTU王锐学长·发布时间：
图文PCER 双增量目标检测研究：同时应对类别增加与域变化
增量目标检测 发三区。我帮同学做的是一个双增量目标检测，在目标检测的基础上，同时处理类别增量和域增量的问题 针对所出现的问题提出PCER方法，核心思想是通过权重束消除和Top-B排序，让模型在学习新类别的同时不遗忘旧类别，并保持对域变化的鲁
内容导读
SJTU王锐学长介绍了自己帮助同学完成的 PCER 双增量目标检测研究，同时处理类别增加与场景条件变化，旨在学习新类别时保留旧类别知识，并保持对域变化的鲁棒性。作者称，方法采用“权重束消除”和 Top-B 排序；难点在于类别遗忘与域迁移会在特征空间和记忆机制上相互影响，处理二者的耦合往往比处理单个问题更难。
继续看关键要点
- 作者报告，恶劣天气场景中的 AP、AP50、RAI 分别为22.43%、41.30%、90.02%；Pascal Series 长序列中分别为28.64%、48.53%、90.37%。正文未给出对照方法或指标解释，不能据此判断相对提升幅度。
来源：SJTU王锐学长 / douyin · douyin.com