图像标签语义分割的增量学习

Dec, 2021

Incremental Learning in Semantic Segmentation from Image Labels

Fabio Cermelli, Dario Fontanel, Antonio Tavera, Marco Ciccone, Barbara Caputo

TL;DR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。

Abstract

Although existing semantic segmentation approaches achieve impressive results, they still struggle to update their models incrementally as new categories are uncovered. Furthermore, pixel-by-pixel annotations are expensive and time-consuming. This paper proposes a novel framework for <

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

图像标签的单阶段语义分割

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020

使用弱标签的域自适应语义分割

论文提出一个新框架，使用image-level weak labels，引入了category-wise alignment来实现domain adaptation中feature alignment和pseudo-labeling的相互作用，实验结果表明在UDA和WDA上都有显著的提高。

Jul, 2020

一种用于在线增量学习语义分割的 EM 框架

本文提出了一种基于期望最大化(EM)框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于PASCAL VOC 2012和ADE20K数据集上进行验证。

Aug, 2021

基础模型推动语义分割的弱增量学习

提出基于增量和弱监督学习的新思想和框架，采用预训练的共同分割和迁移学习的思想，结合记忆复制和粘贴增强的方法，实现从图像层次标签中学习，同时不遗忘旧分类的任务。在 Pascal VOC 和 COCO 数据集上的实验表明了该框架的卓越性能。

Feb, 2023

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

少样本类别增量语义分割：伪标记和知识蒸馏

我们提出了一种从少量样本中学习语义分割模型的新类别的方法，通过伪标签策略进行扩充，通过知识提取能够保留现有类别的知识。

Aug, 2023

基于趋势驱动的弱监督增量语义分割

Weakly Incremental Learning for Semantic Segmentation (WILSS) addresses the issue of conflicting predictions and catastrophic forgetting by proposing a tendency-driven relationship of mutual exclusivity, allowing for concurrent execution with model parameter updating via a bi-level optimization problem, leading to new benchmarks and paving the way for further research.

Apr, 2024

从互联网学习：语言驱动弱监督增量学习用于语义分割

当前的弱监督增量学习用于语义分割（WILSS）方法仅考虑使用图像级别标签替换像素级注释，而训练图像仍来自精心设计的数据集。在这项工作中，我们认为普遍可用的网络图像也可以用于学习新的类别。为了实现这一目标，首先我们引入了一种策略，使用基于傅里叶变换的域判别器在潜在空间中选择与先前示例相似的网络图像。然后，提出了一种有效的基于标题的排练策略，用于保留先前学习到的类别。据我们所知，这是第一项仅依赖网络图像来学习新概念和保留已学习概念的WILSS工作。实验结果表明，该方法在增量步骤中无需使用手动选择和注释的数据即可达到最先进的性能。

Jul, 2024