基于自动记忆样本选择的持续语义分割
计算机视觉与模式识别
2023-04-12 v1
摘要
持续语义分割（CSS）通过逐步引入新类别进行训练，扩展了静态语义分割。为缓解CSS中的灾难性遗忘问题，通常构建一个存储少量先前类别样本的记忆缓冲区用于回放。然而，现有方法随机选择记忆样本或基于单一因素驱动的手工策略进行选择，无法保证最优。本工作中，我们提出一种新颖的记忆样本选择机制，通过综合考虑样本多样性与类别性能等因素，以全自动方式为有效回放选择信息丰富的样本。我们的机制将选择操作视为决策过程，并学习一种直接最大化奖励集上验证性能的最优选择策略。为促进选择决策，我们设计了一种新颖的状态表示与双阶段动作空间。我们在Pascal-VOC 2012和ADE 20K数据集上的大量实验证明了我们方法的有效性，取得了最先进（SOTA）性能，在Pascal-VOC 2012的6阶段设定下以12.54%的优势超越第二名。
引用
@article{arxiv.2304.05015,
title = {Continual Semantic Segmentation with Automatic Memory Sample Selection},
author = {Lanyun Zhu and Tianrun Chen and Jianxiong Yin and Simon See and Jun Liu},
journal= {arXiv preprint arXiv:2304.05015},
year = {2023}
}
备注
Accepted to CVPR2023