Socialized Detector Learning: Trajectory-Guided and Reciprocal Distillation for Heterogeneous Object Detectors

📄 arXiv: 2608.25836v1 📥 PDF

作者: Weihao Li, Yunqi Zhu, Zhihe Fan, Ruipu Zhao, Boan Tao, Xinjie Yao, Yan Fan, Pengfei Zhu

分类: cs.CV

发布日期: 2026-08-26

备注: 12 pages; supplementary material included

💡 一句话要点

提出社会化检测器学习以解决异构目标检测器知识碎片化问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 目标检测 社会化学习 知识蒸馏 异构检测器 性能提升

📋 核心要点

  1. 现有的目标检测方法在异构检测器之间的知识转移存在碎片化和无序的问题，导致检测性能受限。
  2. 本文提出的社会化检测器学习（SDL）通过轨迹引导和互惠蒸馏的方法，优化了知识转移的顺序和效率。
  3. 在MS COCO数据集上，最终的知识载体在多个异构专家的支持下，性能提升了2.6 AP，且在新类别上表现优异。

📝 摘要（中文）

目标检测知识在独立训练的异构检测器之间是碎片化的，这些检测器支持互补的类别。社会化学习旨在通过知识交换集体进化这些检测器，但现有的聚合方法未能明确规划知识转移顺序。本文提出社会化检测器学习（SDL）和基于轨迹引导的互惠蒸馏（TGRD），通过估计检测器间转移难度并构建知识转移轨迹，实现知识的逐步整合与回馈。实验表明，最终的知识载体在MS COCO数据集上相较于传统方法提升了2.6 AP，并在未支持类别上达到了20.8-28.4 AP的性能。

🔬 方法详解

问题定义：本文旨在解决异构目标检测器之间知识碎片化的问题，现有方法在知识转移时缺乏有效的顺序规划，导致性能提升有限。

核心思路：提出社会化检测器学习（SDL）框架，通过轨迹引导和互惠蒸馏（TGRD）来优化知识转移过程，确保知识的有效整合与回馈。

技术框架：整体架构包括知识转移难度估计、固定评分表预计算和知识载体轨迹构建三个主要模块，沿着轨迹逐步整合知识并进行互惠转移。

关键创新：最重要的创新在于引入了有向操作的检测器间转移难度（IDTD）估计，确保知识转移的顺序性和有效性，区别于传统的单向增强方法。

关键设计：在技术细节上，采用了特征对齐残差的计算方法来评估转移难度，并设计了条件代理证书分析以验证知识整合的有效性。具体的参数设置和损失函数设计也为知识转移提供了支持。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，最终的知识载体在MS COCO数据集上相较于传统的同时聚合控制方法提升了2.6 AP。此外，互惠检测器在之前未支持的类别上达到了20.8-28.4 AP的性能，同时保持在原专家特定性能的1.3 AP以内，验证了方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能监控、自动驾驶和机器人视觉等场景，能够有效提升异构目标检测器的协同工作能力，增强系统的整体性能。未来，该方法有望推动多种检测器的集成应用，促进智能系统的进步。

📄 摘要（原文）

Object detection knowledge is fragmented across independently trained, heterogeneous detectors with complementary category supports. In socialized learning, this knowledge resides in a society, and learning aims to evolve the society collectively through exchange. However, aggregation-based socialization does not explicitly plan transfer order, whereas progressive multi-teacher distillation considers order but remains a one-way student enhancement in a shared category space. Building on Socialized Learning, we formulate Socialized Detector Learning (SDL) for heterogeneous, category-specialized object detectors and propose Trajectory-Guided and Reciprocal Distillation (TGRD).TGRD estimates directed operational Inter-Detector Transfer Difficulty (IDTD) from held-out feature-alignment residuals, precomputes a fixed score table, and greedily constructs a carrier trajectory. Along the trajectory, knowledge is progressively consolidated into a union-category carrier and then returned to experts through reciprocal transfer. A conditional proxy-certificate analysis shows that, under stated assumptions, the progressive certificate is no larger than an aggregated-target counterpart. On MS COCO with four heterogeneous experts and two carrier initializations, final carriers outperform epoch-matched simultaneous aggregation controls by 2.6 AP in both settings. Reciprocal detectors attain 20.8--28.4 AP on previously unsupported categories while remaining within 1.3 AP of original expert-specific performance. These results support order-aware progressive consolidation followed by reciprocal transfer as a viable mechanism for detector-society evolution.