摘要

本研究致力于解决类别增量弱监督目标定位（CI-WSOL）任务。该任务的目标是在仅使用图像级注释的情况下，逐步学习新类别的目标定位，同时保留对先前已学习类别的定位能力。这一任务非常重要，因为为每一批新数据标注边界框的成本很高，而目标定位在各种应用中却是至关重要的。据我们所知，这是首次针对此类任务进行的研究。因此，我们首先通过适应类别增量分类器的策略来提出一种强大的基线方法，以缓解灾难性遗忘问题。这些策略包括应用知识蒸馏、维护来自前序任务的小规模数据集以及使用余弦归一化。随后，我们提出了特征漂移补偿网络，以补偿特征漂移对类别得分和定位图的影响。由于更新网络参数以学习新任务会导致特征漂移，因此对最终输出进行补偿是必要的。最后，我们在两个公开可用的数据集（ImageNet-100 和 CUB-200）上进行了实验，评估了所提出的方法。实验结果表明，该方法优于其他基线方法。