论文阅读：Faster ILOD：Incremental Learning for Object Detectors based on Faster RCNN

Faster RCNN的增量学习方法

目前Faster Rcnn的目前唯一增量学习扩展方法，似乎是arxiv的。目标检测的增量学习框架研究很少，一个Fast Rcnn的，一个RetinaNet的。本文为Faster Rcnn应用了多网络自适应知识蒸馏，设计了一个端到端的增量学习方案，在PASCAL VOC和COCO上做了实验。

---

1.Introduction

目标检测SOTA与人类视觉系统之间的差距仍然很大，主要的障碍之一是在动态的现实世界中逐步学习新的任务。如，在病理学领域，由于我们知识和理解的不断增长，随着时间的推移，新的疾病模式亚型得以识别。理想的疾病模式检测系统应该能够从病理图像中学习新的疾病亚型，而不会失去检测旧疾病亚型的能力。

本文贡献：

• 我们发现，不像其它工作中所假设的（IOLD假设），RPN其实对旧类标注缺失很健壮。
• 提出多网络自适应蒸馏，在学习新任务时，记住旧知识，同时解决旧类标注缺失的问题。
• 用Faster Rcnn做基础网络，性能表现很好。
• 我们的方法可用于任何有RPN的目标检测器。

---

2.Problem Formulation

增量学习问题定义bla...称旧网络称为教师模型，重训练模型为学习模型。

生活中的增量目标检测学习场景应有如下假设：

• 只有新类训练数据可用，没有旧数据记忆
• 旧类的目标可能包含在新训练数据中，然而标注是缺失的（这是目标检测不同于分类任务之处）
• 重训练的检测器应该在新旧类上都表现好

---

3.Related Network

1. 知识蒸