面向类增量与域增量语义分割的持续学习
计算机视觉与模式识别
2022-09-19 v1
摘要
持续深度学习领域是一个新兴领域,并已取得诸多进展。然而,同时大多数方法仅在图像分类任务上进行测试,而该任务在智能车辆领域中并不相关。直到最近才提出了面向类增量语义分割的方法。然而,所有这些方法都基于某种形式的知识蒸馏。目前尚无针对持续设定中常用于目标识别的基于回放方法的考察。与此同时,尽管无监督域自适应在语义分割中获得了大量关注,但关于持续设定中域增量学习的研究尚不充分。因此,我们工作的目标是评估并调整既有的持续目标识别方案以用于语义分割任务,并为持续语义分割任务提供基线方法与评估协议。我们首先引入类增量与域增量分割的评估协议并分析若干选定方法。我们表明,与图像分类相比,语义分割任务的性质改变了哪些方法在减轻遗忘方面最为有效。特别是在类增量学习中,知识蒸馏被证明是重要工具,而在域增量学习中回放方法是最有效的方法。
引用
@article{arxiv.2209.08023,
title = {Continual Learning for Class- and Domain-Incremental Semantic Segmentation},
author = {Tobias Kalb and Masoud Roschani and Miriam Ruf and Jürgen Beyerer},
journal= {arXiv preprint arXiv:2209.08023},
year = {2022}
}