基于稀疏解耦隐表示的排斥-吸引机制的持续语义分割
计算机视觉与模式识别
2021-11-25 v3 人工智能
机器学习
多媒体
摘要
深度神经网络存在在学习新任务时灾难性遗忘旧任务这一主要局限。本文关注语义分割中的类增量持续学习，其中新类别随时间逐步可用，而先前的训练数据不被保留。所提出的持续学习方案对隐空间进行塑造，以减少遗忘同时提升对新类别的识别。我们的框架由三个新颖组件驱动，且可轻松结合于现有技术之上。首先，原型匹配在旧类别上强制隐空间一致性，约束编码器在后续步骤中为已见类别产生相似的隐表示。其次，特征稀疏化可在隐空间中腾出空间以容纳新类别。最后，采用对比学习根据语义对特征进行聚类，同时将不同类别的特征分离开。在 Pascal VOC2012 和 ADE20K 数据集上的大量评估证明了我们方法的有效性，显著优于最先进的方法。
引用
@article{arxiv.2103.06342,
title = {Continual Semantic Segmentation via Repulsion-Attraction of Sparse and Disentangled Latent Representations},
author = {Umberto Michieli and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2103.06342},
year = {2021}
}
备注
CVPR 2021. 22 pages, 10 figures, 11 tables