通过解耦对象性学习与类别识别实现持续分割

大多数持续分割方法将该问题视为逐像素分类任务。然而，这种范式极具挑战性，我们发现具有内置对象性的基于查询的分割器相比逐像素分割器具有固有优势，因为对象性具有很强的迁移能力和抗遗忘性。基于这些发现，我们提出了 CoMasTRe，通过将持续分割解耦为两个阶段：抗遗忘的持续对象性学习和研究充分的持续分类。CoMasTRe 使用两阶段分割器，在第一阶段学习类无关的掩膜提议，将识别留待第二阶段。在持续学习过程中，采用了一种简单但有效的蒸馏方法来增强对象性。为了进一步减轻对旧类别的遗忘，我们设计了一种适用于分割的多标签类别蒸馏策略。我们在 PASCAL VOC 和 ADE20K 上评估了 CoMasTRe 的有效性。大量实验表明，我们的方法在这两个数据集上均优于逐像素方法和基于查询的方法。代码将在 https://github.com/jordangong/CoMasTRe 提供。