超越背景位移：重新思考持续语义分割中的实例重放
计算机视觉与模式识别
2025-03-31 v1
摘要
在本文中，我们聚焦于持续语义分割（CSS），其中分割网络需要在不擦除先前学习知识的同时持续学习新类别。虽然存储旧类别图像并直接将其纳入新模型训练中已被证明在缓解分类任务中的灾难性遗忘方面有效，但该策略在 CSS 中存在显著局限性。具体而言，存储的图像和带有部分类别注释的新图像导致旧类别与背景之间的混淆， complicating 模型拟合。为解决此问题，本文提出了一种新型增强型实例重放（EIR）方法，该方法不仅保留旧类别的知识，同时通过实例存储消除背景混淆，还通过将存储的实例与新图像集成来缓解新图像中的背景位移。通过有效解决存储图像和新图像中的背景位移，EIR 缓解了 CSS 任务中的灾难性遗忘，从而增强了模型进行 CSS 的能力。实验结果验证了我们方法的有效性，该方法显著优于最先进的 CSS 方法。
引用
@article{arxiv.2503.22136,
title = {Beyond Background Shift: Rethinking Instance Replay in Continual Semantic Segmentation},
author = {Hongmei Yin and Tingliang Feng and Fan Lyu and Fanhua Shang and Hongying Liu and Wei Feng and Liang Wan},
journal= {arXiv preprint arXiv:2503.22136},
year = {2025}
}