May, 2023

开放环境下语义场景理解的公平持续学习方法

PDF
TL;DR本文提出了一种基于公平性目标的新型公平连续学习框架，通过基于类分布的方法来解决语义分割中的公平问题，并提出了一种新型的原型对比聚类损失和有条件的结构一致性损失，用于应对连续学习中的灾难性遗忘和背景变化等重要挑战。该方法在三个标准的场景理解基准测试中均取得了最新的表现，并提高了模型的公平性。
continual semantic segmentationfairnesscontinual learningprototypical contrastive clustering lossscene understanding
发现论文，激发创造
  • 基于对比注意力的公平学习：开放世界下的连续语义场景理解

    通过对比注意力的公平性学习方法，解决持续学习中语义场景理解的灾难性遗忘、公平性、背景转移和未知类的问题，并在 ADE20K、Cityscapes 和 Pascal VOC 等标准基准上取得了最先进的性能。

    Nov, 2023

  • FREDOM：公平领域自适应语义场景理解方法

    本研究提出了一种新的 Fairness Domain Adaptation（FREDOM）方法，通过对类分布的公平对待和条件结构约束实现了新的适应性框架，进而提高了语义场景分割模型的性能并促进了模型预测的公平性。

    Apr, 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

  • 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

  • 稀疏解耦潜在表示的斥力吸引驱动下的不断语义分割

    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。

    Mar, 2021

  • 特征对齐的对称多模态网络在连续道路场景语义分割中的应用

    本研究通过强制执行紧密耦合的特征表示和对称信息共享方案，通过重新定义多模态语义分割任务，实现即使一个输入模态缺失，也能正常工作，提高模型的可靠性，尤其适用于自动驾驶等安全关键应用领域。在 SemanticKITTI 数据集上评估了本方法，并与最接近的竞争者进行了比较。同时还引入了一种特定的持续学习方案，并在渐进式持续学习场景中展示了该方法的有效性。

    Aug, 2023

  • 通过对比插值一致性进行持续的半监督学习

    本文探讨了基于少量标注数据的持续半监督学习问题，并设计了一种利用度量学习和一致性正则化的新方法，仅依赖 25% 的监督数据即可优于全监督训练下的 SOTA 方法。

    Aug, 2021

  • 持续学习中医学图像的公平性演变

    通过使用领域特定的公平度量，我们评估了反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差，因此在考虑模型公平性的现实场景中应优先选择该策略。

    Apr, 2024

  • 具有分离的客体性学习和类别识别的持续分割

    基于强大的目标性和防遗忘特性，我们提出了 CoMasTRe 方法，它将持续分割任务分为两个阶段，通过学习抗遗忘的目标性特征和经过良好研究的分类特征，采用简单但有效的蒸馏策略来强化目标性，并通过多标签类蒸馏策略减轻旧类别的遗忘，实验证明该方法在 PASCAL VOC 数据集上优于像素级和基于查询的方法。

    Mar, 2024

  • 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