IPSeg：图像后验概率缓解类增量分割中的语义漂移
计算机视觉与模式识别
2025-02-10 v1
摘要
类增量学习旨在使模型能够从不同任务的顺序、非平稳数据流中学习，而不会发生灾难性遗忘。在类增量语义分割（CISS）中，图像像素的语义内容在增量阶段会发生变化，这被称为语义漂移。在本工作中，我们识别出 CISS 中导致语义漂移并降低性能的两个关键挑战。首先，我们强调了分离优化问题，即模型的不同部分在不同的增量阶段进行优化，导致概率尺度不对齐。其次，我们识别出由不适当的伪标签产生的噪声语义，这导致了次优结果。为了应对这些挑战，我们提出了一种新颖且有效的方法：用于分割的图像后验与语义解耦（IPSeg）。IPSeg 引入了两个关键机制：（1）利用图像后验概率来对齐各阶段的优化，并减轻分离优化的影响；（2）采用语义解耦来处理噪声语义，并为不同语义定制学习策略。在 Pascal VOC 2012 和 ADE20K 数据集上的大量实验表明，与最先进的方法相比，IPSeg 取得了优越的性能，尤其是在具有挑战性的长期增量场景中。
引用
@article{arxiv.2502.04870,
title = {IPSeg: Image Posterior Mitigates Semantic Drift in Class-Incremental Segmentation},
author = {Xiao Yu and Yan Fang and Yao Zhao and Yunchao Wei},
journal= {arXiv preprint arXiv:2502.04870},
year = {2025}
}
备注
20 pages, 9 figures