May, 2024

面向实际的递增场景在类递增语义分割中的应用

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Sep, 2023

  • 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

  • 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

  • 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

  • 渐变语义补偿对于增量语义分割的应用

    本研究提出了一种 Gradient-Semantic Compensation (GSC) 模型，从梯度和语义的角度克服了增量语义分割中的灾难性遗忘和背景转移问题。通过重新加权梯度反向传播来平衡先前训练类别的遗忘速度，同时提出了软锐语义关系蒸馏来减轻语义方面的灾难性遗忘，并使用原型伪重新标签方法提供强大的语义引导以减轻背景转移问题。在 Pascal VOC 2012、ADE20K 和 Cityscapes 三个公共数据集上的大量实验证明了提出的 GSC 模型的有效性。

    Jul, 2023

  • 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

  • 语义分割中增量学习的背景建模

    本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性，提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题，并引入了一种新的分类器参数初始化策略，最终在 Pascal-VOC 2012 和 ADE20K 数据集上显著优于现有的增量学习方法。

    Feb, 2020

  • 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

  • 自训练用于类增量语义分割

    提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

    Dec, 2020

  • 组织背景以探索潜在类别的增量少样本语义分割

    在增量少样本语义分割（iFSS）问题中，我们提出了一种名为 OINet 的网络，即背景嵌入空间组织和原型继承网络，通过在训练基础类别时使用多个分类头和多个子类原型来保留新类别的嵌入空间，并提出了一种策略来选择最匹配当前学习新类别的子类原型，使新类别能够在少样本下注册在嵌入空间中，而不影响基础类别的分布，Pascal-VOC 和 COCO 上的结果表明，OINet 取得了最新的技术成果。

    May, 2024