Jun, 2021

SSUL: 基于示例的类增量学习的未知标签语义分割

PDF
TL;DR本文提出了一种新的方法 SSUL-M 方法，该方法结合了针对语义分割的技术并首次使用了微小样本存储器来解决类逐步学习中经常出现的语义漂移和多标签预测问题，实验证明其比其他最新技术基线表现更优秀。
class-incremental semantic segmentationknowledge distillation techniquessul-m methodunknown labelexemplar memory
发现论文，激发创造
  • 面向实际的递增场景在类递增语义分割中的应用

    本文针对常用的连续增量语义分割（Continuous Incremental Semantic Segmentation，CISS）场景中的不切实际之处进行了研究，提出了一个实用的场景，即分割（partitioned），该场景能够解决 CISS 中的偏差问题，并通过引入一种名为 MiB-AugM 的基于记忆机制的基准模型，实现了多任务学习与学习新类的最新结果。

    May, 2024

  • 语义分割中的新类别发现

    这篇论文介绍了一种新的新类发现语义分割方法，使用基于熵的不确定性建模和自训练技术来提高模型性能，实验结果展示了这种方法对于 PASCAL-5i 数据集上的平均 IoU 提高了 9.28%。

    Dec, 2021

  • 继承与蒸馏，对比进化：探索无样本记忆的类别增量语义分割

    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

  • 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

  • 基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用

    我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的 PASCAL-5i 和 COCO-20i 数据集上相比最先进的方法具有卓越的性能。

    Jun, 2024

  • 重新思考无监督图像语义分割中的对齐和一致性

    本研究提出了一种名为语义关注网络（Semantic Attention Network，SAN）的模型，在无监督的图像语义分割（UISS）任务中采用 “语义关注（Semantic Attention）” 模块生成像素级和语义级特征，该模型具有较好的特征一致性和特征匹配性能，在多个数据集上超过已有方法的分割效果。

    Nov, 2022

  • CSCL: 无监督领域自适应的关键语义一致性学习

    本文提出了一种基于转移学习和关键语义一致性的模型，是一种无监督域自适应的方法来减少领域内、类别内的分布差异，在语义分割上具有优越性。

    Aug, 2020

  • DiffusePast: 基于扩散的生成回放技术用于类别增量语义分割

    DiffusePast 是一个新颖的框架，通过基于扩散的生成回放模块生成具有更可靠蒙版的语义精确图像，以解决 Class Incremental Semantic Segmentation 中对传统分割任务的增量学习并处理先前提到的灾难性遗忘和隐私问题。

    Aug, 2023

  • 高效的多粒度知识重用在类增量分割中的应用

    本文提出了一种高效利用多级特征融合 Class Incremental Semantic Segmentation 的方法，采用特征金字塔和 DEFY 模块等技术，使得在 PASCAL VOC 2012 和 ADE20K 数据集上的平均性能指标都得以显著提升。

    Jun, 2023

  • 大规模无监督语义分割

    该研究提出了一个新的大规模无监督语义分割的问题（LUSS），并创建了一个基准数据集来帮助研究。该基准数据集名为 ImageNet-S，包含 120 万个训练图像和 50K 高质量的语义分割注释进行评估。此外，研究人员还提出了一种简单而有效的方法，可用于大规模无监督语义分割，并且公布了代码和基准数据集。

    Jun, 2021