ICCVOct, 2023

CoinSeg：对增量分割进行类间与类内对比表示

PDF
TL;DR基于类别递增的语义分割，提出了 CoinSeg 方法，通过对比相似和类别内的表示，追求灵活参数调整和具有判别性的表示，从而平衡模型的稳定性和可塑性。
class incremental semantic segmentationmodel's stabilityplasticitycontrast inter- and intra-class representationscoinseg
发现论文，激发创造
  • CYBORGS: 通过基于分割的文本信息对比性地增强物体表示

    本研究提出了一种通过联合学习表示和分割来达到在特定场景（如 COCO）上预训练模型和在 Iconic 图片（如 ImageNet）上预训练模型之间的准确度缩小的框架，结果发现相对于之前的方法，在分类、检测和分割等下游任务中表现得更稳健。

    Mar, 2022

  • 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

  • 像素对比一致性半监督语义分割

    提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。

    Aug, 2021

  • 区别性对比网络：一种表示对象的对比方法

    本文介绍了一种无监督抽取物体的方法，在机器学习中具有重要意义。该方法不使用标签，通过利用物体的运动来学习区分每个对象，并使用新的量化评估指标，在 20 个 Atari 游戏中对其性能进行评估。

    Jul, 2020

  • 探索跨图像像素对比用于语义分割

    提出了一个利用对比学习实现像素级别度量学习的语义分割框架，能够从全局上探索标记像素的结构，并在多个数据集上带来了显著的性能改进。

    Jan, 2021

  • 对比度掩蔽：对每样东西进行分割的对比学习

    通过在受限的可见类别上学习有标注遮罩，从而消除繁重注释负担，并在新颖的 unseen 类别上分割对象，部分监督实例分割是一个任务。本文提出了 ContrastMask，它在统一的像素级对比学习框架下，同时在可见和未知类别上学习掩模分割模型，提高了前景和背景的特征辨别率，促进了课程无关掩模分割模型的学习，在 COCO 数据集上的详尽实验证明了我们方法的优越性，胜过了之前的最新技术。

    Mar, 2022

  • 无监督学习视觉表示的对比方法再探

    本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究，并成功地在不同类型数据集上改善了模型，同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法，并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。

    Jun, 2021

  • 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

  • 一种无分类器的可扩展医学图像分割的增量学习框架

    通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。

    May, 2024