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

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

现代预训练架构在持续对新任务进行微调时难以保留先前的信息。本文引入了一种基于内存的检测变换器架构，以适应预训练的 DETR 式检测器的新任务，并保留以前任务中的知识。我们提出一种用于从内存单元中高效检索信息的新颖的局部查询函数，旨在最小化遗忘。此外，我们在持续检测中确定了一项称为背景剥夺的根本挑战。当先前任务的对象类别在未来任务中重新出现时，可能没有标签，可能会被隐含地视为背景。这是持续检测或分割中不可避免的问题。引入的持续优化技术有效地解决了这一挑战。最后，我们评估了我们提出的系统在持续检测基准上的性能，并证明我们的方法在 MS-COCO 和 PASCAL-VOC 的持续检测任务上超过了现有技术水平，实现了 5-7% 的改进。

Mar, 2024

这篇研究论文研究了连续学习在多目标跟踪中的应用，提出了一种基于对比学习和连续学习的跟踪器 COOLer，可以在学习新类别的同时保留过去的知识，并通过实验证明它能够有效解决跟踪和检测的灾难性遗忘问题。

Oct, 2023

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

提出两种方法以减少在线视频对象分割方法的内存需求，同时提高建模准确性和推广性，并实验结果表明这些方法可以提高在线视频对象分割模型的性能，增强其在长视频数据集上的鲁棒性。

Sep, 2023

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

本文提出了一种用于隐蔽物体分割的分层一致性建模器，以解决现有分割器在极度隐蔽场景中无法完全实现分割结果的问题。通过利用单一阶段和上下文级别的特征相关性，HCM 分割器在提升特征一致性方面起到了积极作用。此外，引入可逆重新校准解码器，以检测低置信区域中先前未检测到的部分，进一步提高了分割性能。在包括伪装物体检测、息肉图像分割和透明物体检测在内的三个隐蔽物体分割任务上进行的大量实验证明了 HCM 分割器的良好效果。

Jan, 2024

本篇论文介绍了一个基于对象中心的分割模型，借助变压器架构对光流进行处理来实现视频中的多个运动对象发现、追踪与分割。同时，采用可伸缩管线生成多对象合成训练数据，以及深度学习模型的全面验证研究，并证明其在表现、预测能力等方面都具备领先水平。

Jul, 2022

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023