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

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

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

提出一种基于多层级知识蒸馏技术的轻量级半监督语义分割模型，采用标注数据和未标注数据的协同蒸馏方案，结合像素级一致性约束、语义感知层次损失和内容感知区域损失等多层次损失策略，从多个角度对模型知识进行精炼，能够在消耗更少的运算资源和更小的模型体积下取得同类模型不可比的性能提升。

Aug, 2022

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

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。

Jun, 2021

本文提出了一种使用多尺度特征融合网络和 BiFPN 来进行实时图像语义分割的方法 ESeg，通过扩展传统的多尺度特征空间来实现，不需要高分辨率和昂贵的空洞卷积。实验证明，ESeg 在多个数据集上的表现比先前的方法更准确，并且实时性能得到提升。

Mar, 2022

针对语义分割中的计算效率和精度问题，本文提出一种知识蒸馏方法，利用预训练自编码器在转移潜空间内优化特征相似度，同时引入亲和力蒸馏模块以计算整个图像的远程依赖，将经典的深度 FCN 用于大步长下进行语义分割，实验证明，所提出的方法不仅可以提高小型 FCN 的精度，还可以使用较少的 FLOPS 训练出优秀的小型模型。

Mar, 2019

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

通过样式化实现特征级别自适应，使编码器提取与输入样式无关的特征，这可以促使解码器更好地解析这些特征而不是与输入样式有关的其他抽象内容。这种方法在领域适应方面取得了显著的改进。

May, 2023