CVPR 2026 | FaCHD-RPSC：基于跨头蒸馏与原型校正的增量目标检测

文章目录

[1 论文信息](#1 论文信息)
[2 基础概念](#2 基础概念)
[3 论文主要贡献](#3 论文主要贡献)
- - 解决问题：
  - 本文创新点
[4 方法](#4 方法)
- [4.1 整体框架](#4.1 整体框架)
- [4.2 FaCHD 模块](#4.2 FaCHD 模块)
- [4.3 RPSC 模块](#4.3 RPSC 模块)
[5 实验分析](#5 实验分析)
[6 个人声明](#6 个人声明)

1 论文信息

论文题目：Incremental Object Detection via Future-Aware Decoupled Cross-Head Distillation

论文作者：Chenfeng Yin, De Cheng*, Wenlong Luo, Mingyue Zeng, Shizhou Zhang, Nannan Wang, Xinbo Gao

发表单位：1. Xidian University（西安电子科技大学）；2.Northwestern Polytechnical University（西北工业大学）

发表会议期刊：CVPR 2026（IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026）

代码链接：未公开

2 基础概念

持续学习 （Continual Learning）：模拟人类 "边学边记" 能力的机器学习范式，核心目标是让模型在动态环境中持续学习多个连续任务，同时最大程度保留对已学任务的能力。

解决传统深度学习模型普遍存在的灾难性遗忘问题。

增量目标检测（Incremental Object Detection, IOD）：持续学习在目标检测任务上的具体应用，其核心任务定义与约束如下：

分阶段学习 ：模型需要在 N 个连续阶段学习新的目标类别，总类别空间逐步扩展
数据约束 ：第 t 个训练阶段只能使用当前阶段的标注数据 D t D_t Dt，且 D t D_t Dt中仅标注当前新增的类别；图片中可能包含未标注的历史旧类和未来新类，但绝对禁止使用任何历史阶段的标注数据
训练目标 ：基于上一阶段的模型 M t − 1 M_{t-1} Mt−1迭代得到当前模型 M t M_t Mt，在准确学习新类检测能力的同时，最大程度保留对所有历史旧类的检测性能

3 论文主要贡献

解决问题：

灾难性遗忘 ：学习新类时参数更新会覆盖旧类知识。
背景混淆问题：训练数据仅标注新类，旧类物体被误判为背景，模型会学习到错误映射。
梯度冲突与新类偏置传导：传统蒸馏让检测头同时接收新旧类相反监督，新类硬标注信号更强导致检测头偏置，且偏置会反向污染骨干网络，形成恶性循环。

本文创新点

提出未来感知解耦跨头蒸馏 （FaCHD） 机制，通过双冻结互补教师架构与跨头解码策略，实现骨干与检测头的完全解耦，从根源上消除新类监督与旧类蒸馏的梯度冲突。
提出区域原型语义校正 （RPSC） 模块，冻结骨干后仅用校正原型重训检测头，无需任何历史标注即可巩固旧类知识。
在 PASCAL VOC、MS COCO 等标准基准上取得无样本重放设置下的 SOTA 性能。

4 方法

4.1 整体框架

本文提出一种分层解耦的两阶段增量目标检测框架 FaCHD-RPSC，通过将骨干特征 学习与检测头 分类决策完全解耦，系统性缓解无样本重放设置下的灾难性遗忘问题。首先通过未来感知解耦跨头蒸馏（FaCHD）模块优化骨干网络与区域提议网络，解决传统蒸馏中检测头与骨干强耦合导致的梯度冲突与新类偏置传导问题 ；再通过区域原型语义校正（RPSC）模块微调检测头，补偿增量训练过程中旧类特征的语义漂移，最终实现旧类知识保留与新类能力学习的平衡。

4.2 FaCHD 模块

FaCHD 模块采用双冻结互补教师架构，引入上一阶段训练完成的历史教师 与仅用当前新类数据训练的中间教师，分别提供稳定的旧类知识与适配当前分布的新类知识。
该模块的核心是跨头解码策略，学生模型仅输出感兴趣区域（ROI）特征，将其分别输入两个冻结的教师检测头生成跨头预测，而非使用学生自身检测头参与蒸馏过程；蒸馏损失仅作用于学生的骨干网络与区域提议网络，完全切断蒸馏梯度向学生检测头的传导路径，避免检测头的新类偏置反向污染骨干通用特征。

4.3 RPSC 模块

在 FaCHD 完成骨干特征优化后，针对增量训练导致的旧类 ROI 特征语义漂移问题，引入 RPSC 模块在分类头层面进一步巩固旧类知识。

旧类原型 ：旧类标注图输入冻结的历史教师 M t − 1 M_{t-1} Mt−1，提取 ROI 特征 z t − 1 z_{t-1} zt−1，计算得到旧类多粒度原型（浅蓝色三角形 / 五边形）
新类原型 ：新类标注图输入冻结的学生模型 M t M_t Mt，提取 ROI 特征 z t z_t zt，计算得到新类多粒度原型（浅棕色三角形 / 五边形）
语义漂移估计与补偿 ：对比 z t z_t zt与 z t − 1 z_{t-1} zt−1的特征差异，通过高斯加权聚合得到每个旧类的全局漂移向量 Δ ^ c \hat{\Delta}_c Δ^c，对旧类原型进行补偿，得到适配当前特征空间的补偿后原型（深蓝色三角形 / 五边形）

5 实验分析

6 个人声明

本文为作者对原论文的学习笔记与心得分享，受个人学识与理解所限，文中对论文内容的解读或有不够周全之处，一切以原论文正式表述为准。本文仅用于学术交流与传播，内容均由作者独立整理完成，不代表本文立场。如文中所涉文字、图片等内容存在版权争议，请及时与作者联系，作者将在第一时间核实并妥善处理。