Riassunto analitico
L'uso dell'intelligenza artificiale si sta espandendo molto rapidamente, con nuove tecnologie che vengono sviluppate e rilasciate a un ritmo senza precedenti.
L'applicazione delle tecnologie come la object detection ha già portato cambiamenti dirompenti in diversi settori, con esempi come l’autonomous driving, l'imaging medico, applicazioni robotiche e molti altri.
Un utilizzo continuativo di tecnologie basate sull'IA richiede che queste siano adattabili all'evoluzione e i cambiamenti degli scenari applicativi, con diversi task da risolvere, come nell'apprendimento incrementale dei compiti (task-incremental learning) o con l’aggiunta di nuove classi (class-incremental learning).
Il principale svantaggio di questi processi di adattamento è la tendenza del modello all’overfitting sugli ulitimi dati forniti, dimenticando quelli precedenti. Questo problema, noto in letteratura come catastrophic forgetting, è ad oggi ancora aperto.
In questo lavoro affrontiamo il task di incremental object detection, in cui il training di un object detector viene suddiviso in diverse fasi, ognuna delle quali aggiunge nuove classi da identificare.
Il lavoro estende una metodologia di incremental learning attraverso l’utilizzo experience replay e knowledge distillation su dataset di rilevazione standard adattati per il continual learning.
|
Abstract
The use of artificial intelligence is expanding very fast, with new technologies being developed and released at an unprecedented rate. The application of technologies like object detection have already been capable to bring disruptive changes to different fields such as autonomous driving, medical imaging, robotics and many more.
A continued use of AI based technologies requires them being adaptive to the evolution and changes of the application scenarios with different tasks to be solved, as in task-incremental learning, or the addition of new classes, class-incremental learning.
The principal downside of these adaptations processes is the tendency of the model to overfit current data while forgetting the previous ones. This is still an open problem and is generally referred as catastrophic forgetting.
In this work we address the task of incremental object detection, in which the training of an object detector is split in different phases, each one adding new classes to be identified.
The work extends an incremental learning methodology by leveraging experience replay and knowledge distillation on standard detection datasets adapted for continual learning.
|
