공생 관계에서 영감을 얻은 지식 증류를 통한 점진적 객체 탐지

Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection

점진적 객체 탐지(IOD)는 새로운 범주로 탐지기를 확장하면서 기존에 학습된 지식을 유지하는 것을 목표로 합니다. 기존 방법들은 종종 클래스 점진적 학습 관점을 채택하여 의사 결정 경계를 명확하게 하기 위해 특징 공간을 분리합니다. 그러나 이러한 분리 중심적인 패러다임은 탐지 과정에서의 객체 공생 관계를 간과할 수 있습니다. 공생 관계는 동시 발생 및 가려짐 현상을 통해 공간적 및 의미적 종속성을 유발하며, 이는 공유된 표현 방식을 통해 이점을 얻을 수 있습니다. 이러한 종속성을 무시하면 공유된 표현 방식이 왜곡되고, 기존 클래스와 새로운 클래스 간의 혼동이 심화되며, 파국적인 망각 현상이 가속화됩니다. 이러한 문제를 해결하기 위해, 우리는 객체 공생 관계를 명시적으로 활용하는 두 가지 상호 보완적인 방식으로 구성된 공생 관계 기반 지식 증류(SIKD) 방법을 제안합니다. 공간적 공생 증류(SpSD)는 기존 모델이 새로운 작업에서 객체에 대해 높은 중첩률을 보이는 공생 영역에 초점을 맞춥니다. 이를 통해 일반화 가능한 기존 클래스 특징을 보존하고, 클래스별 편향과 중복성을 억제하며, 정렬된 슬롯 기반의 감독 신호를 사용하여 정제된 증거를 새로운 모델로 전달합니다. 의미적 공생 증류(SeSD)는 클래스 수준 구조를 유지하기 위해 기존 클래스의 가중 평균 프로토타입을 형성하고, 기존 클래스 로짓에 대한 클래스 간 소프트 순위를 일치시켜 적응 과정에서 의미론적 토폴로지를 안정화합니다. 광범위한 실험 결과는 제안된 방법의 효과성과 우수성을 입증합니다.

Incremental object detection (IOD) aims to extend detectors to new categories while retaining previously acquired knowledge. Existing methods often adopt a class incremental learning perspective, separating feature spaces to sharpen decision boundaries. However, this separation-oriented paradigm may overlook object symbiosis in detection, where co-occurrence and occlusion introduce spatial and semantic dependencies that benefit from shared representations. Ignoring these dependencies distorts the shared representations, exacerbates confusion between old and new classes, and accelerates catastrophic forgetting. To address this, we propose Symbiosis-Inspired Knowledge Distillation (SIKD), which explicitly leverages object symbiosis at two complementary levels. Spatial Symbiosis Distillation (SpSD) focuses on symbiotic regions where the old model responds with high overlap to objects in the new task. It preserves generalizable old class cues, suppresses class-specific bias and redundancy, and distills the refined evidence to the new model at matched spatial locations with slot-aligned supervision. Semantic Symbiosis Distillation (SeSD) maintains class level structure by forming confidence weighted prototypes for old classes and aligning their inter class soft ranks over the old class logits, which stabilizes the semantic topology during adaptation. Extensive experiments demonstrate the effectiveness and superiority of the proposed method.