Jul, 2023

渐变语义补偿对于增量语义分割的应用

PDF
TL;DR本研究提出了一种 Gradient-Semantic Compensation (GSC) 模型，从梯度和语义的角度克服了增量语义分割中的灾难性遗忘和背景转移问题。通过重新加权梯度反向传播来平衡先前训练类别的遗忘速度，同时提出了软锐语义关系蒸馏来减轻语义方面的灾难性遗忘，并使用原型伪重新标签方法提供强大的语义引导以减轻背景转移问题。在 Pascal VOC 2012、ADE20K 和 Cityscapes 三个公共数据集上的大量实验证明了提出的 GSC 模型的有效性。
incremental semantic segmentationcatastrophic forgettingbackground shiftgradient-semantic compensationprototypical pseudo re-labeling
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

  • 用于类增量学习的语义漂移补偿

    该研究针对增量学习设计了一种新方法，使用嵌入网络，以自然方式加入新类别而无需添加新的权重，并且通过估计特征的语义漂移来避免严重遗忘。实验结果表明，该方法表现优异且能显著减少遗忘。

    Apr, 2020

  • 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

  • 大规模遥感数据语义分割的增量学习

    本研究提出一种增量学习方法，可在不影响之前学习到的类别的情况下，学习新类别的语义分割，同时，利用记忆网络来记忆之前学习到的信息。

    Oct, 2018

  • 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

  • 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

  • 语义分割中的补偿学习

    本文提出了一种语义分割的补偿学习框架，通过引入基于全局学习的偏差和不确定度分支，提高了模型识别困难的部分和减少标签噪音的鲁棒性。该方法在使用 Cityscapes、KITTI-STEP、ADE20k 和 COCO-stuff10k 等数据集进行试验时表现出良好的效果。

    Apr, 2023

  • 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

  • 语义分割的类增量学习：无需再利用旧数据或旧标签

    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

  • 基于重播的连续学习在语义分割中的应用: RECALL

    研究使用生成对抗网络和网络抓取数据重现不可用的旧类数据，避免遗忘和背景类的数据分布变化，达到在连续学习中存在不同步骤和背景类分布变化的情况下更好的表现。

    Aug, 2021