FALCON：基于对比注意力方法的公平性学习用于持续语义场景理解
计算机视觉与模式识别
2025-03-24 v3
摘要
语义场景分割中的持续学习旨在动态环境中持续学习新的未见类别，同时保持已学知识。先前的研究侧重于建模持续学习中的灾难性遗忘和背景偏移挑战。然而，公平性这一导致多数类与少数类之间预测不公平、性能低下的重要挑战，仍亟待妥善解决。此外，先前的方法未能很好地对未知类别建模，从而导致未知类别间产生非判别性特征。本工作提出了一种新颖的基于对比注意力方法的公平性学习用于语义场景理解中的持续学习。具体而言，我们首先引入一种新的公平性对比聚类损失来解决灾难性遗忘与公平性问题。然后，我们提出一种基于注意力的视觉语法方法，以有效建模背景偏移问题与未知类别，为不同未知类别生成更好的特征表示。通过实验，我们提出的方法在 ADE20K、Cityscapes 和 Pascal VOC 等不同持续学习基准上取得了最先进（SoTA）性能，并提升了持续语义分割模型的公平性。
引用
@article{arxiv.2311.15965,
title = {FALCON: Fairness Learning via Contrastive Attention Approach to Continual Semantic Scene Understanding},
author = {Thanh-Dat Truong and Utsav Prabhu and Bhiksha Raj and Jackson Cothren and Khoa Luu},
journal= {arXiv preprint arXiv:2311.15965},
year = {2025}
}
备注
Accepted to CVPR'25