Mar, 2021

稀疏解耦潜在表示的斥力吸引驱动下的不断语义分割

HTML
PDF
TL;DR本文提出了一种新的持续学习方案，该方案通过神经网络的原型匹配、特征稀疏化和对比学习等三个新组件来纠正模型在学习新任务时遗忘旧任务的问题，在语义分割上进行了测试并在Pascal VOC2012和ADE20K数据集上取得了显著的准确性，远超过现有技术。
发现论文，激发创造
  • 语义分割的增量学习技术

    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

  • 语义分割中增量学习的背景建模

    本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性，提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题，并引入了一种新的分类器参数初始化策略，最终在Pascal-VOC 2012和ADE20K数据集上显著优于现有的增量学习方法。

    Feb, 2020

  • PLOP: 持续语义分割中无遗忘学习

    通过提出 Local POD 算法和基于熵的伪标记方法 PLOP，解决了在连续学习的语义分割任务中遗忘问题和背景漂移问题，提高了模型的性能。

    Nov, 2020

  • 自训练用于类增量语义分割

    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

  • 解决连续语义分割中的灾难性遗忘和背景偏移

    本文提出了一种名为PLOP的方法，使用了多尺度池化蒸馏技术，在特征级别上保留了长程和短程空间关系，并设计了一种基于熵的伪标签方法来处理背景变化和避免旧类的灾难性遗忘，并引入了一种新的排练方法，特别适用于分割。在现有的连续语境场景以及新的提出的具有挑战性的基准测试中，我们的方法显着优于现有的最先进方法。

    Jun, 2021

  • 基于重播的连续学习在语义分割中的应用: RECALL

    研究使用生成对抗网络和网络抓取数据重现不可用的旧类数据，避免遗忘和背景类的数据分布变化，达到在连续学习中存在不同步骤和背景类分布变化的情况下更好的表现。

    Aug, 2021

  • 面向持续语义分割的表示补偿网络

    本文研究了连续语义分割问题，提出使用表示补偿（RC）模块结构再参数化机制，以解决网络需要连续整合新类别但避免灾难性遗忘的问题。通过知识蒸馏策略，增强了模型的可塑性和稳定性。在两个有挑战性的实验场景中，无需任何额外的计算负担和参数，模型的性能超过了最先进的性能。

    Mar, 2022

  • RaSP: 基于关系感知的语义先验策略用于弱监督下增量分割

    本文提出一种基于语义关系的弱监督方法，将对象先验从以前学习的类别转移到新类别，从而提高了新类别和旧类别的分割掩模质量，并在一些连续学习任务中验证了该方法的有效性。

    May, 2023

  • 持续语义分割研究综述：理论、挑战、方法与应用

    连续学习在深度学习和人工智能系统中具有突破性意义，本文以连续语义分割为例，全面调查其问题形式、主要挑战、通用数据集、新理论和多样应用，并分类整理了当前 CSS 模型中的数据回放和无数据集两个主要分支方法，并提供了具有不同应用场景和发展趋势的四个 CSS 特性。

    Oct, 2023

  • 具有动态查询的图像分割的持续学习

    基于持续学习的图像分割方法，通过增量动态查询实现了概念解耦，克服了灾难性遗忘和背景漂移问题，同时在语义分割和实例分割任务上取得了最先进的性能。

    Nov, 2023