类增量语义分割中的演化知识挖掘
计算机视觉与模式识别
2023-11-30 v2
摘要
类增量语义分割（CISS）因其在现实应用中的重大意义近期成为研究趋势。尽管现有 CISS 方法展现出卓越性能，但它们或仅利用高层知识（特征）而忽视低层特征中丰富多样的知识，导致旧知识保持差、新知识探索弱；或通过重新训练沉重的主干网络使用多级特征进行知识蒸馏，计算密集。本文首次研究 CISS 的高效多粒度知识复用，并提出一种新颖方法——演化知识挖掘（ENDING），采用冻结主干网络。ENDING 包含两个关键模块：演化融合与语义增强，用于动态且全面地探索多粒度知识。演化融合专为使用个性化轻量网络从各低层特征提取知识而设计，该轻量网络由以高层特征为输入的元网络生成；此设计使知识挖掘与融合在应用于增量新类时能够演化。相反，语义增强专门从多级特征聚合基于原型的语义，有助于增强表征。我们在两个广泛使用的基准上评估了方法，并一致展示了新的最先进性能。代码见 https://github.com/zhiheLu/ENDING_ISS。
引用
@article{arxiv.2306.02027,
title = {Evolving Knowledge Mining for Class Incremental Segmentation},
author = {Zhihe Lu and Shuicheng Yan and Xinchao Wang},
journal= {arXiv preprint arXiv:2306.02027},
year = {2023}
}
备注
Technical report