(ICCV 2025) 从单增量到双增量：DuIOD 正在重塑持续目标检测的研究范式

主要观点总结

本文介绍了一篇关于Dual Incremental Object Detection的论文，该论文提出了DuET框架，能够同时处理类别增量和域增量的问题。论文的创新点包括提出DuIOD任务设定、DuET框架、层级自适应任务合并机制和新的评估指标RAI。论文解决了任务向量合并中的sign conflict与遗忘问题，并通过实验可视化展示了其方法的优势。

关键观点总结

关键观点1: 论文提出DuIOD任务设定

该论文首次系统提出Dual Incremental Object Detection（DuIOD）任务设定，将类别增量和域增量同时发生作为一个统一问题来建模，适应了真实世界中“新类别 + 新域”同时出现的情况。

关键观点2: DuET框架的引入

论文提出DuET（Dual-task Entanglement-aware Task arithmetic）框架，引入Task Arithmetic（任务向量）思想到目标检测中。通过区分shared参数（骨干/neck）与task-specific参数（head），只针对shared参数进行层级任务合并，并对task head采用增量拼接（Incremental Head）。

关键观点3: 层级自适应任务合并机制

论文提出了层级自适应任务合并机制（DuET Module），通过引入Retention factor（α）和Adaption factor（β），解决task arithmetic中的sign conflict与遗忘问题。

关键观点4: 新的评估指标RAI的提出

论文提出了RAI（Retention–Adaptability Index）作为新的评估指标，将Avg RI（保留旧知识能力）和Avg GI（对未见类别的跨域泛化能力）组合成一个统一指标，以更全面地评估模型的性能。

关键观点5: 可视化结果分析

论文通过可视化结果直观地展示了方法的有效性。通过对比不同方法的检测结果，证明了DuET的优势在于旧类别在新域中仍能被稳定检测，新类别学习不影响旧类别判别。