早期准备效果显著：面向类增量语义分割的新型分类器预调谐
计算机视觉与模式识别
2024-07-22 v1 机器学习
摘要
类增量语义分割旨在在学习新任务时保留旧知识，但因遗忘效应和背景漂移问题而受到阻碍。先前工作表明，初始化新分类器的重要性已得到凸显，主要关注从背景分类器迁移知识或为未来类别准备分类器，忽略了新分类器的灵活性和方差。在本文中，我们提出了一种新的分类器预调谐( NeST)方法，应用于正式训练过程之前的预调谷，从而学习一种从旧分类器到生成新分类器的转换，而非直接调谂新分类器的参数。我们的 метод可以使新分类器与主干网络对齐并适应新数据，从而防止在学习新类别时对特征提取器发生剧烈变化。此外，我们设计了一种考虑跨任务类别相似性的策略，用于初始化转换中使用的矩阵，有助于实现稳定-塑性权衡。在Pascal VOC 2012 和ADE20K 数据集上的实验表明，所提出的策略显著改进了前述方法的性能。代码已提供。
引用
@article{arxiv.2407.14142,
title = {Early Preparation Pays Off: New Classifier Pre-tuning for Class Incremental Semantic Segmentation},
author = {Zhengyuan Xie and Haiquan Lu and Jia-wen Xiao and Enguang Wang and Le Zhang and Xialei Liu},
journal= {arXiv preprint arXiv:2407.14142},
year = {2024}
}
备注
Accepted at ECCV 2024