不重用旧数据也不重用旧标签的语义分割类增量学习
计算机视觉与模式识别
2020-05-14 v1 机器学习
图像与视频处理
摘要
虽然为语义分割训练的神经网络对于自动驾驶中的感知至关重要，但当前大多数算法假设固定数量的类别，这在开发需要额外类别的新自动驾驶系统时呈现主要局限。本文中我们提出一种实现语义分割类增量学习的技术，且不利用模型初始训练所用的标注数据。先前方法仍要么依赖新旧类别的标签，要么无法恰当区分二者。我们展示了如何通过一种新颖的类增量学习技术克服这些问题，该技术 nonetheless 仅需要新类别的标签。具体而言，(i) 我们引入了一种既不依赖旧数据也不依赖旧标签的损失函数，(ii) 我们展示了如何将新类别以模块化方式集成到预训练的语义分割模型中，以及最后 (iii) 我们在统一设定下重新实现先前方法以与我们的方法比较。我们在 Cityscapes 数据集上评估了我们的方法，其 mIoU 性能超出所有基线 3.5% 绝对值，达到仅比单阶段训练（同时依赖所有数据与标签）的上限性能低 2.2% 绝对值的结果。
引用
@article{arxiv.2005.06050,
title = {Class-Incremental Learning for Semantic Segmentation Re-Using Neither Old Data Nor Old Labels},
author = {Marvin Klingner and Andreas Bär and Philipp Donn and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2005.06050},
year = {2020}
}
备注
ITSC 2020 Conference Paper