通过区域目标性挖掘未见类：增量分割的一个简单基线
计算机视觉与模式识别
2023-01-10 v3
摘要
增量或持续学习已在图像分类任务中得到广泛研究，以缓解灾难性遗忘——即学习新概念时先前习得知识被遗忘的现象。对于类增量语义分割，由于背景偏移（即先前阶段学到的某些概念在当前训练阶段被归为背景类），该现象往往更为严重，从而显著降低这些旧概念的性能。为解决此问题，本文提出一种简单而有效的方法，称为通过区域目标性挖掘未见类用于分割（MicroSeg）。我们的MicroSeg基于如下假设：具有强目标性的背景区域可能属于历史或未来阶段的那些概念。因此，为避免在当前训练阶段遗忘旧知识，MicroSeg首先利用提议生成器将给定图像分割为数百个片段提议；随后将背景中具强目标性的那些片段提议聚类并在优化过程中赋予新定义的标签。如此，旧概念在特征空间中的分布特征可得以更好感知，从而缓解由背景偏移引起的灾难性遗忘。在Pascal VOC与ADE20K数据集上的大量实验显示出与最先进方法相竞争的结果，充分验证了所提MicroSeg的有效性。
引用
@article{arxiv.2211.06866,
title = {Mining Unseen Classes via Regional Objectness: A Simple Baseline for Incremental Segmentation},
author = {Zekang Zhang and Guangyu Gao and Zhiyuan Fang and Jianbo Jiao and Yunchao Wei},
journal= {arXiv preprint arXiv:2211.06866},
year = {2023}
}
备注
10 pages, 5 figures