CoMBO：基于分支优化的类别增量语义分割冲突缓解方法
计算机视觉与模式识别
2025-04-08 v1
摘要
有效的类别增量语义分割 (CIS) 需要同时缓解灾难性遗忘，并确保足够的塑性以整合新类别。上述内在冲突常常导致来回变动，将目标转化为在旧类别 (old) 和增量类别 (new) 性能之间寻找平衡。为解决此冲突，我们提出一种新方法，即通过分支优化实现冲突缓解 (CoMBO)。在该方法中，我们提出了查询冲突减少模块，旨在通过轻量级、类别特定的适配器来显式细化新类别的查询。该模块为新类别的获取提供一个额外的分支，同时保留原始查询以用于蒸馏。此外，我们开发了两种策略 follow the branched structure 进一步缓解冲突，即在分类概率上进行半学习半蒸馏 (HDHL)，以及基于重要性的知识蒸馏 (IKD) 用于查询特征。HDHL 在与新类别ground truth 匹配的查询上选择性地进行学习，同时将不匹配的查询对齐到相应的旧概率，从而确保保留旧知识的同时通过学习负样本来吸收新类别。同时，IKD 基于查询与旧类别匹配程度评估查询的重要性，优先对重要特征进行蒸馏，允许不那么关键的特征发生变化。大量实验在类别增量 Panoptic 和语义分割设置中表明，CoMBO 的性能优异。项目页面: https://guangyu-ryan.github.io/CoMBO。
引用
@article{arxiv.2504.04156,
title = {CoMBO: Conflict Mitigation via Branched Optimization for Class Incremental Segmentation},
author = {Kai Fang and Anqi Zhang and Guangyu Gao and Jianbo Jiao and Chi Harold Liu and Yunchao Wei},
journal= {arXiv preprint arXiv:2504.04156},
year = {2025}
}
备注
Accepted by CVPR 2025