Nov, 2023

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

PDF
TL;DR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。
continual learningfairnesssemantic scene segmentationunknown classescontrastive attention approach
发现论文，激发创造
  • 开放环境下语义场景理解的公平持续学习方法

    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。

    May, 2023

  • 面部属性分类的公平对比学习

    本文提出了一种公平的监督对比损失方法（Fair Supervised Contrastive Loss），旨在保证图像的视觉表达不带有敏感属性信息，同时通过组内归一化减少分组之间的差异，实现了在公平性和准确性上的平衡，并在 CelebA 和 UTK Face 的数据集上验证了该方法的有效性。

    Mar, 2022

  • 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

  • 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

  • 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

  • 基于语义感知的虚拟对比约束学习：适用于小样本类递增学习的方法

    通过引入虚拟类别的概念，我们提出了一种基于语义感知的虚拟对比模型（SAVC），显著提高了基础类别的分类效果和新类别的泛化能力。

    Apr, 2023

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • Contextrast：语境对比学习用于语义分割

    通过提出的 Contextrast 方法，该论文在语义分割方面取得了显著的改进，能够捕捉到本地 / 全局上下文以及它们之间的关系，并通过利用细节解决边界区域的分割问题。

    Apr, 2024

  • 有条件的监督对比学习：公平的文本分类

    提出使用有条件的监督对比目标学习在文本分类中学习公平代表的方法，以平衡在现有基准线中任务表现和偏差缓解之间的权衡，并在两个文本数据集上进行实验，展示了该方法的有效性。

    May, 2022

  • 可持续学习与反向一致特征嵌入的视觉搜索

    本文介绍了一种基于 continual learning 方法的视觉搜索模型，它可以不断更新模型以处理增量式的图库集，同时不会影响模型的特征空间并且可以适用于新的图像类别。

    May, 2022