语义分割的完全弱监督类增量学习
计算机视觉与模式识别
2025-05-19 v1 人工智能
摘要
本工作针对语义分割的完全弱监督类增量学习任务进行研究，旨在仅使用图像级标签学习基本类和新增虚构类的分割。虽然类增量语义分割（CISS）对于处理现实世界中多样化和新出现的物体至关重要，但传统CISS方法需要昂贵的像素级标注才能进行训练。为克服这一限制，近期提出了部分弱监督方法。然而，据我们所知，这是首个引入完全弱监督方法进行CISS的工作。为实现此目标，我们提出通过结合局部标记器和基于不确定性的一系列基础模型生成稳健的伪标签。此外，为缓解灾难性遗忘，我们引入一种以示例为导向的数据增强方法，该方法生成包含前序类和新类的多样化图像。最后，我们在三个常见的实验设置下进行实验：15-5 VOC、10-10 VOC 和 COCO-to-VOC，以及两个场景：disjoint 和 overlap。实验结果表明，我们的完全弱监督方法在 15-5 VOC 和 10-10 VOC 设置下甚至优于部分弱监督方法，而在 COCO-to-VOC 设置下也实现了具竞争力的准确率。
引用
@article{arxiv.2505.10781,
title = {Completely Weakly Supervised Class-Incremental Learning for Semantic Segmentation},
author = {David Minkwan Kim and Soeun Lee and Byeongkeun Kang},
journal= {arXiv preprint arXiv:2505.10781},
year = {2025}
}
备注
8 pages