动态Y-KD：一种用于持续实例分割的混合方法
计算机视觉与模式识别
2023-09-12 v3
摘要
尽管深度学习模型在实例分割上取得成功，现有方法在持续学习场景中仍受灾难性遗忘困扰。本文在持续实例分割方面的贡献有三。首先，我们提出Y知识蒸馏（Y-KD），一种在教师与学生网络间共享公共特征提取器的技术。由于教师网络在Y-KD中也用新数据更新，增强的可塑性产生了专用于新类的的新模块。其次，我们的Y-KD方法得到一种动态架构方法支持，该方法以独特的实例分割头训练任务特定模块，从而显著减少遗忘。第三，我们借助检查点平均作为一种简单方法手动平衡各类别集合上性能的权衡，以零额外代价增加对模型行为的控制，来完成我们的方法。这些贡献统一于我们命名为动态Y-KD网络的模型中。我们在多个单步与多步增量学习场景上进行充分实验，表明我们的方法在旧类与新类上均优于先前方法。例如，相较近期工作，我们的方法在15-1旧类上mAP提升+2.1%，在19-1新类上mAP提升+7.6%，并在15-5上达到联合训练所有类别所得mAP的91.5%。
引用
@article{arxiv.2303.06015,
title = {Dynamic Y-KD: A Hybrid Approach to Continual Instance Segmentation},
author = {Mathieu Pagé-Fortin and Brahim Chaib-draa},
journal= {arXiv preprint arXiv:2303.06015},
year = {2023}
}