本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
梯度分解与对齐的增量目标检测方法研究
作者及机构：
Wenlong Luo（西北工业大学）、Shizhou Zhang*（西北工业大学）、De Cheng*（西安电子科技大学）、Yinghui Xing（西北工业大学）、Guoqiang Liang（西北工业大学）、Peng Wang（西北工业大学）、Yanning Zhang（西北工业大学）。论文发表于ICCV（国际计算机视觉大会），为开放获取版本，最终出版版本可通过IEEE Xplore获取。
研究领域：计算机视觉中的增量目标检测（Incremental Object Detection, IOD）。
研究动机：传统目标检测模型（如Faster R-CNN）假设所有类别数据在训练初期即可获得，但现实场景中常需动态学习新类别而避免遗忘旧类别知识。现有IOD方法多依赖知识蒸馏（Knowledge Distillation），但忽视了类别重叠问题，导致旧类别目标被错误分类为背景，性能受限。
研究目标：提出一种结合伪标签估计与梯度对齐的新框架（GDA-IOD），解决灾难性遗忘（Catastrophic Forgetting）和类别重叠问题，提升模型在动态环境中的适应能力。
输入数据：当前训练图像集 ( Dt )，旧模型 ( M{t-1} ) 的推理结果（置信度分数 ( s_i )）。
核心方法：
- 双峰分布建模：旧模型推理结果的置信度呈现双峰分布（低/中/高置信度区域）。中置信度区域多为正确检测但误分类的前景目标（False Positive）。
- 高斯混合模型（GMM）：采用两成分GMM（共享协方差）对置信度分群，通过EM算法估计参数（均值 ( \mu_l, \mu_h )、方差 ( \sigma^2 )）。
- 动态阈值划分：
- 高置信度区域（( s_i > \muh - \alpha \cdot \sigma )）：作为伪标签 ( y{\text{pseudo}} ) 监督训练。
- 中置信度区域（( \frac{\mu_l + \mu_h}{2} < s_i \leq \mu_h - \alpha \cdot \sigma )）：排除为负样本，防止区域提议网络（RPN）将其误判为背景。
创新点：首次利用GMM自适应划分伪标签，避免固定阈值导致的噪声问题。
输入数据：伪标签 ( y_{\text{pseudo}} ) 与新类别标注 ( yt )。
核心方法：
- 梯度分解：将ROI头损失 ( L{\text{roi}} ) 分解为旧类别相关损失 ( L{\text{pseudo}}^{\text{roi}} ) 和新类别损失。
- 正交投影对齐：
- 若总体梯度 ( g ) 与旧类别梯度 ( g{\text{pseudo}} ) 夹角超过90度（即 ( \langle g{\text{pseudo}}, g \rangle < 0 )），将 ( g ) 投影至 ( g{\text{pseudo}} ) 的正交方向，避免参数更新破坏旧知识。
- 公式：( g{\text{proj}} = g - \lambda \cdot \frac{g{\text{pseudo}}^\top g}{|g{\text{pseudo}}|^2} g{\text{pseudo}} )，其中 ( \lambda = 0.6 ) 为超参数。
理论贡献：数学证明该投影策略（( \lambda \in [0,1] )）可保证 ( \langle g_{\text{proj}}, g \rangle \geq 0 )，平衡模型稳定性与可塑性。
数据集：PASCAL VOC2007（20类）和MS COCO2017（80类），按“A-B”划分增量任务（如10+10表示初始10类，增量10类）。
基准对比：
- 对比方法：包括联合训练（Joint Training）、微调（Fine-tuning）、ORE、ILOD-Meta等。
- 评估指标：mAP（平均精度）、AP50、AP75。
实验结果：
- 单步增量：在VOC 10-10任务中，GDA-IOD旧类别mAP达75.1%，超越最优对比方法BPF（71.7%）。
- 多步增量：VOC 5-5-5-5四任务设置下，最终mAP为63.5%，较基线（58.5%）提升显著。
- 消融实验：GM-Pseudo单独使用可提升旧类别mAP 3.2%，GDA进一步优化新旧类别平衡。
（报告总字数：约1500字）