通过提出 Local POD 算法和基于熵的伪标记方法 PLOP，解决了在连续学习的语义分割任务中遗忘问题和背景漂移问题，提高了模型的性能。

Nov, 2020

本文提出自适应分段（Ada-Segment）方法，通过自适应地调节多个培训损失，以涵盖多个目标，并以一个端到端的架构来概括性地处理分段任务，从而实现了对各种数据集的可靠泛化，成为目前的最优解。

Dec, 2020

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

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

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

连续学习在深度学习和人工智能系统中具有突破性意义，本文以连续语义分割为例，全面调查其问题形式、主要挑战、通用数据集、新理论和多样应用，并分类整理了当前 CSS 模型中的数据回放和无数据集两个主要分支方法，并提供了具有不同应用场景和发展趋势的四个 CSS 特性。

Oct, 2023

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

通过向vanilla ViTs集成轻量级的adapter，提出了ConSept用于不断的语义分割，在旧类别和新类别的分割能力上取得了显著提升，并通过确定性的旧类别边界进行蒸馏以提高抗灾性遗忘能力并改善整体分割性能。

Feb, 2024

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

该论文提出了一种名为BACS的向后背景位移检测器，用于检测以前观察到的类，并建议一种修改后的交叉熵损失函数，结合BACS检测器，降低与以前观察到的类相关联的背景像素的权重，以解决连续语义分割面临的问题。同时，该方法通过掩蔽特征蒸馏和暗体验重播来应对灾难性遗忘，并使用能够适应新类别的变压器解码器，而不需要额外的分类头。该方法在标准连续语义分割基准测试上验证了BACS相对于现有最先进方法的卓越表现。

Apr, 2024