Sep, 2023

继承与蒸馏，对比进化：探索无样本记忆的类别增量语义分割

PDF
TL;DR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。
发现论文，激发创造
  • DiffusePast: 基于扩散的生成回放技术用于类别增量语义分割

    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

  • 高效的多粒度知识重用在类增量分割中的应用

    本文提出了一种高效利用多级特征融合 Class Incremental Semantic Segmentation 的方法，采用特征金字塔和 DEFY 模块等技术，使得在 PASCAL VOC 2012 和 ADE20K 数据集上的平均性能指标都得以显著提升。

    Jun, 2023

  • 面向实际的递增场景在类递增语义分割中的应用

    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

  • AICSD: 自适应类间相似度蒸馏，用于语义分割

    该论文提出了一种名为 Inter-Class Similarity Distillation（ICSD）的新方法，通过独立计算每个类的内类分布并计算 KL 散度得出类之间的相似性矩阵进行知识蒸馏，结合自适应损失权重（ALW）训练策略，在语义分割领域的两个著名数据集上验证了该方法的有效性。

    Aug, 2023

  • DiffClass: 基于扩散的类增量学习

    我们提出了一种新的无样本增量学习方法，通过采用多分布匹配扩散模型来统一训练数据的质量，弥合不同域之间的差距，并通过选择性合成图像增强来扩展训练数据的分布，从而增强模型的可塑性和最终组件的性能，在增量训练期间提升模型的稳定性，实验证明这种方法优于之前的无样本增量学习方法并达到了最先进的性能。

    Mar, 2024

  • 语义分割中的增量学习知识蒸馏

    本文着重介绍了如何应用知识蒸馏技术来处理增量学习的语义分割问题。经过在 Pascal VOC2012 和 MSRC-v2 数据集上的实验，该方法在多个增量学习场景中表现出显著的有效性。

    Nov, 2019

  • 面向非样本半监督类增量学习

    创新性地提出了一种非示例的半监督类增量学习框架，通过对比学习和半监督的增量原型分类器，使模型能够逐步从部分标记的新数据中学习，同时保持旧类别的知识。

    Mar, 2024

  • 具有动态查询的图像分割的持续学习

    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

  • 利用距离亮点聚合技术提升语义分割

    本文提出一种基于知识蒸馏的语义分割方法，通过引入 Inter-class Distance Distillation (IDD) 模块来转移特征空间中的跨类距离，同时利用位置信息蒸馏模块来提高学生网络的位置编码能力，实验结果表明，该方法可以大幅度提高语义分割模型的准确性，达到 state-of-the-art 的性能水平。

    May, 2022

  • SSUL: 基于示例的类增量学习的未知标签语义分割

    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