开放世界环境中面向语义场景理解的公平性持续学习方法
计算机视觉与模式识别
2023-10-03 v4
摘要
持续语义分割旨在学习新类的同时保留先前类别的信息。尽管已有研究近年来取得令人瞩目的进展，持续语义分割中的公平性问题仍亟待更好解决。同时，公平性是在部署深度学习模型时最关键的要素之一，尤其在涉及人或安全的应用中。本文提出一种新颖的公平性持续学习方法用于语义分割问题。具体而言，在公平性目标下，基于类别分布提出一种新的公平性持续学习框架。进而，提出一种新颖的原型对比聚类损失，以应对持续学习中的重大挑战，即灾难性遗忘与背景偏移。我们所提损失亦被证明是持续学习中常用的知识蒸馏的一种新颖泛化学习范式。此外，所提出的条件结构一致性损失进一步正则化了预测分割的结构约束。本方法在三个标准场景理解基准（即 ADE20K、Cityscapes 和 Pascal VOC）上取得了最先进的性能，并提升了分割模型的公平性。
引用
@article{arxiv.2305.15700,
title = {Fairness Continual Learning Approach to Semantic Scene Understanding in Open-World Environments},
author = {Thanh-Dat Truong and Hoang-Quan Nguyen and Bhiksha Raj and Khoa Luu},
journal= {arXiv preprint arXiv:2305.15700},
year = {2023}
}
备注
Accepted to NeurIPS 2023