消除类增量语义分割中的背景位移
计算机视觉与模式识别
2024-07-17 v1
摘要
类增量语义分割（CISS）旨在仅使用新类的标签而不遗忘旧类的方式学习新类。为实现此目标，常采用两种流行策略：1）伪标签和知识蒸馏以保留先前知识；2）背景权重转移，利用背景在学习新类中的广泛覆盖性，将背景权重转移到新类分类器。然而，第一种策略高度依赖旧模型检测旧类，而未检测到的像素被视为背景，从而导致背景向旧类移动（即将旧类误分类为背景）。此外，在第二种方法中，用背景知识初始化新类分类器会触发类似的背景位移问题，但方向是向新类的。为解决这些问题，我们提出了一种用于CISS的背景-类别分离框架。首先采用选择性伪标签和自适应特征蒸馏仅蒸馈可信赖的过时知识。另一方面，我们通过一种新颖的正交目标以及标签引导的输出蒸馏鼓励背景与新类的分离。我们的SOTA结果验证了这些提议方法的有效性。
引用
@article{arxiv.2407.11859,
title = {Mitigating Background Shift in Class-Incremental Semantic Segmentation},
author = {Gilhan Park and WonJun Moon and SuBeen Lee and Tae-Young Kim and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2407.11859},
year = {2024}
}
备注
Accepted to ECCV 2024. Code is available at http://github.com/RoadoneP/ECCV2024_MBS