極端な視覚スパース性下における二段階不変連続学習

要旨: 継続学習は、非定常環境下においても安定した適応を維持しようとするが、この問題は物体検出において特に困難になる。なぜなら、既存のほとんどの手法は、比較的バランスの取れた視覚条件を暗黙に前提としているためである。宇宙ベースの常駐宇宙物体（RSO）検出のシナリオで観測されるような極端なスパース（疎）性の状況では、前景の信号は背景観測によって圧倒的に支配される。こうした条件下で我々は、解析的に、背景に駆動される勾配が、連続するドメインシフトの間に特徴バックボーンを不安定化させ、表現の漸進的なドリフト（ずれ）を引き起こすことを示す。これは、出力レベルの蒸留にのみ依拠する継続学習アプローチの構造的な限界を明らかにするものであり、中間表現の安定性を保持できない。これに対処するため、バックボーン表現と検出予測のそれぞれに対して構造的一貫性と意味的一貫性を強制する、ジョイント蒸留による二段階の不変（インバリアント）継続学習フレームワークを提案する。これにより、誤差伝播をその発生源から抑制しつつ、適応性を維持する。さらに、深刻な不均衡下で勾配統計を制御するために、パッチベースのサンプリングと分布を考慮したデータ拡張を組み合わせた、スパース性を意識したデータ・コンディショニング戦略を導入する。高解像度の宇宙ベースRSO検出データセットでの実験により、確立された継続型の物体検出手法に対して一貫した改善が示され、連続するドメインシフト下で絶対的に +4.0 mAP の向上を達成した。