一种用于在线增量学习语义分割的 EM 框架
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
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
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
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
通过引入新的分割范式,我们提出了一种基于对比学习的分类器自由网络,能够实现可变数量类别的分割,并结合知识蒸馏的增量学习框架,解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。
May, 2024
本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法,并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果,同时,研究也表明该方法无需使用精确像素级别标签,能在 PASCAL VOC 2012 数据集上保持高性能。
Dec, 2016
提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法,旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。
Oct, 2021
本文提出一种增量学习框架来优化模型性能,其核心是一个能够预测待标记样本难度的新型难度评估模型。该框架将数据收集过程分为多个阶段,将标注预算分配给最困难的样本,并将满足评估模型某一标准的未标记样本用于生成伪标签,最终将手动标签和伪标签发送给训练数据以改善实例分割模型。在四个大规模食品数据集上验证本文提出的框架优于当前增量学习基准,并与完全注释样本的模型达到竞争性能。
Jun, 2023