本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在Pascal VOC2012数据集上进行了实验验证其有效性。

Jul, 2019

本文着重介绍了如何应用知识蒸馏技术来处理增量学习的语义分割问题。经过在Pascal VOC2012和MSRC-v2数据集上的实验，该方法在多个增量学习场景中表现出显著的有效性。

Nov, 2019

本文提出了一种对语义分割算法进行增量式学习的技术，该技术可以在不使用模型最初训练的标记数据的情况下，进行类别的增量式学习，以便于在开发需要新类的自治驾驶系统时使用。我们的实验结果表明，我们提出的技术可以超过同类算法，并有助于提高各类别的性能。

May, 2020

提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

Dec, 2020

该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。

Dec, 2021

本研究提出了一种Gradient-Semantic Compensation (GSC)模型，从梯度和语义的角度克服了增量语义分割中的灾难性遗忘和背景转移问题。通过重新加权梯度反向传播来平衡先前训练类别的遗忘速度，同时提出了软锐语义关系蒸馏来减轻语义方面的灾难性遗忘，并使用原型伪重新标签方法提供强大的语义引导以减轻背景转移问题。在Pascal VOC 2012、ADE20K和Cityscapes三个公共数据集上的大量实验证明了提出的GSC模型的有效性。

Jul, 2023

本文提出了一种新的方法Inherit with Distillation and Evolve with Contrast (IDEC)，它通过Dense Knowledge Distillation on all Aspects (DADA)和Asymmetric Region-wise Contrastive Learning (ARCL)模块解决了类增量语义分割中遇到的灾难性遗忘问题和语义漂移问题，并在多个CISS任务中展现出卓越的性能。

Sep, 2023

通过增量学习，设计了一种适应背景变化的机制来提高语义分割的准确性，并通过知识蒸馏策略避免遗忘旧类别，实验证明在不同场景下超越了先前的基于示例的方法，显著提高了新类别的准确性并减轻了灾难性遗忘。

Jul, 2024

提出了一种适用于类增量语义分割（CISS）的背景-类分离框架，通过选择性伪标记和自适应特征蒸馏来提取可靠的过去知识，并通过新颖的正交目标和标签引导的输出蒸馏来鼓励背景与新类的分离。这些提出的方法的最新结果验证了其有效性。

Jul, 2024

该研究解决了类增量语义分割中如何在学习新类别的同时避免忘记旧类别的难题。提出了一种简单且有效的类独立转换（CIT）方法，使现有语义分割模型的输出转换为类独立的形式，建立了一个累积蒸馏框架，从而确保所有类别信息的公平融合。实验结果表明，在不同数据集上，任务遗忘率非常低，ADE20K任务配置中低于5%，PASCAL VOC 2012数据集中在所有配置中低于1%。

Nov, 2024