归因感知权重迁移：类增量语义分割的预热初始化
计算机视觉与模式识别
2022-10-14 v1
摘要
在类增量语义分割（CISS）中，深度学习架构遭受灾难性遗忘和语义背景偏移的关键问题。尽管近期工作关注了这些问题，现有的分类器初始化方法并未解决背景偏移问题，且对背景和新前景类分类器赋予相同的初始化权重。我们提出用一种新颖的分类器初始化方法来解决背景偏移，该方法采用基于梯度的归因从分类器先前背景的权重中识别出新类最相关的权重，并将这些权重迁移到新分类器。这种预热权重初始化提供了一种适用于多种CISS方法的通用解决方案。此外，它加速了新类的学习，同时缓解了遗忘。我们的实验表明，在Pascal-VOC 2012、ADE20K和Cityscapes数据集上，与最先进的CISS方法相比，mIoU有显著提升。
引用
@article{arxiv.2210.07207,
title = {Attribution-aware Weight Transfer: A Warm-Start Initialization for Class-Incremental Semantic Segmentation},
author = {Dipam Goswami and René Schuster and Joost van de Weijer and Didier Stricker},
journal= {arXiv preprint arXiv:2210.07207},
year = {2022}
}
备注
Accepted at WACV 2023