C$^2$Path：视觉语言增量目标检测的类条件路径解耦

增量对象检测（IOD）旨在使检测器能够不断学习新的类别，同时保留以前获得的知识。然而，现有方法遭受两种形式的\textbf{类知识耦合}：共享参数更新引起的类边界侵蚀和混合特征编码引起的类表示纠缠。我们认为，有效的增量学习需要特定于类的计算路径，以实现独立的参数更新和单独的类注入。为此，我们提出了 \textbf{C$^2$Path}，这是一种用于视觉语言增量对象检测的类条件路径解耦框架，它利用 词元级 类线索为不同类别建立专用且可更新的计算路径。具体来说，C$^2$Path引入了类别专家库和类条件解耦模块。专家库由可学习的低秩计算节点组成，捕获特定于类别的知识，而解耦模块生成类感知路由信号，以动态地组成来自这些专家的 \textit{ClassLoRA} 适配器，从而形成用于跨类别的隔离更新和单独注入的特定于类的计算路径。在多个增量学习设置下对 COCO 2017 进行的大量实验表明，C$^2$Path 始终优于最先进的方法，为视觉语言检测器中的持续类别扩展提供了有效且可扩展的解决方案。