AWF：用于增强类增量语义分割的自适应权重融合
计算机视觉与模式识别
2025-07-01 v2
摘要
类增量语义分割 (CISS) 旨在通过维持先前学习知识与新引入知识之间的平衡来缓解灾难性遗忘。现有方法主要基于知识蒸馏等正则化技术，有助于保留旧知识，但通常在有效整合新知识方面面临挑战，导致整体提升有限。端点权重融合 (EWF) 方法虽然简单，但通过使用由先前已知类别和新引入类别的相对数量决定的融合参数 alpha，动态融合前一步骤的模型权重与当前步骤的模型权重，有效解决了其中一些限制。然而，alpha 计算的简单性可能限制其充分捕捉不同任务场景复杂性的能力，可能导致次优的融合结果。在本文中，我们提出了一种名为自适应权重融合 (AWF) 的增强方法，该方法为融合参数引入了一种交替训练策略，允许更灵活和自适应的权重整合。AWF 通过更好地平衡旧知识保留与新类别学习，实现了卓越的性能，与原始 EWF 相比，在基准 CISS 任务上显著提升了结果。我们的实验代码将在 Github 上发布。
引用
@article{arxiv.2409.08516,
title = {AWF: Adaptive Weight Fusion for Enhanced Class Incremental Semantic Segmentation},
author = {Zechao Sun and Shuying Piao and Haolin Jin and Chang Dong and Lin Yue and Weitong Chen and Luping Zhou},
journal= {arXiv preprint arXiv:2409.08516},
year = {2025}
}
备注
10 pages,6 figures