OVS遇见持续学习：迈向可持续的开放词汇分割
计算机视觉与模式识别
2025-10-14 v2
摘要
开放词汇分割（OVS）旨在分割训练数据集中不存在的类别。然而，大多数现有研究假设训练数据是预先固定的，忽略了更实际的场景，即新数据集会随着时间的推移不断收集。为了解决这个问题，我们首先分析了现有OVS模型在此类条件下的表现。在此背景下，我们探索了几种方法，如重新训练、微调和持续学习，但发现每种方法都有明显的局限性。为了解决这些问题，我们提出了ConOVS，一种基于混合专家框架的新型持续学习方法。ConOVS根据输入样本属于每个增量数据集分布的概率，动态组合专家解码器。通过大量实验，我们表明ConOVS在预训练、增量和零样本测试数据集上始终优于现有方法，有效地扩展了OVS模型在数据顺序收集时的识别能力。
引用
@article{arxiv.2410.11536,
title = {OVS Meets Continual Learning: Towards Sustainable Open-Vocabulary Segmentation},
author = {Dongjun Hwang and Yejin Kim and Minyoung Lee and Seong Joon Oh and Junsuk Choe},
journal= {arXiv preprint arXiv:2410.11536},
year = {2025}
}