CoinSeg：面向增量分割的类间与类内表征对比
计算机视觉与模式识别
2023-10-11 v1
摘要
类增量语义分割旨在通过保持旧知识同时适应新概念，在模型稳定性与可塑性间取得平衡。然而，多数最先进方法采用冻结策略换取稳定性，牺牲了模型可塑性。相反，释放参数训练以获取可塑性虽能使所有类别达最佳性能，但需具判别性的特征表征。因此，我们优先考量模型可塑性，提出面向增量分割的类间与类内表征对比（CoinSeg），其为灵活参数调优追求判别性表征。受高斯混合模型（从高斯分布混合中采样）启发，CoinSeg 以多个对比表征质心强调类内多样性。具体地，我们利用掩码提议识别具强对象性、可能为某类多样实例/质心的区域，这些掩码提议随后用于对比表征以强化类内多样性。同时，为避免类内多样性引入偏差，我们亦应用类别级伪标签增强类别级一致性与类间多样性。此外，CoinSeg 通过特定灵活调优策略确保模型稳定性并缓解遗忘。我们在 Pascal VOC 2012 与 ADE20K 数据集上以多种增量场景验证 CoinSeg，相较先前最先进方法取得更优结果，尤其在更具挑战性与真实性的长期场景下。代码见 https://github.com/zkzhang98/CoinSeg。
引用
@article{arxiv.2310.06368,
title = {CoinSeg: Contrast Inter- and Intra- Class Representations for Incremental Segmentation},
author = {Zekang Zhang and Guangyu Gao and Jianbo Jiao and Chi Harold Liu and Yunchao Wei},
journal= {arXiv preprint arXiv:2310.06368},
year = {2023}
}
备注
Accepted by ICCV 2023