用于类增量语义分割的半真半假蒸馏方法
计算机视觉与模式识别
2021-04-05 v1
摘要
尽管卷积神经网络在语义分割上取得了成功，但它们不擅长增量学习，即在新类别可用但初始训练数据未保留的情况下调整原始分割模型。实际上，它们易受灾难性遗忘问题的影响。我们尝试通过“反转”训练好的分割网络，从随机噪声合成输入图像来解决此问题。为避免手动设置详细的像素级分割图作为监督，我们提出 SegInversion，利用图像级标签合成图像。为增加合成图像的多样性，将尺度感知聚合模块集成到 SegInversion 中以控制合成物体的尺度（像素数量）。连同新类别的真实图像，合成图像将被送入基于蒸馏的框架，以训练保留已学类别信息的新分割模型，同时更新当前模型以学习新类别。所提方法显著优于其他增量学习方法，并在 PASCAL VOC 2012 和 ADE20K 数据集上取得了最先进的性能。代码和模型将公开提供。
引用
@article{arxiv.2104.00875,
title = {Half-Real Half-Fake Distillation for Class-Incremental Semantic Segmentation},
author = {Zilong Huang and Wentian Hao and Xinggang Wang and Mingyuan Tao and Jianqiang Huang and Wenyu Liu and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2104.00875},
year = {2021}
}