PILOT: 基于边界引导的实时语义分割数据无关持续学习方法
计算机视觉与模式识别
2026-05-27 v1 机器学习
摘要
实时语义分割模型在准确率与推理速度之间提供了优秀的平衡。然而，在需要在不重新使用整个数据集的情况下逐渐学习新类的动态现实环境中部署，这种能力是持续学习。就此而言，深度学习中的标准微调方法由于灾�性遗忘往往失败，即模型学习新信息但忘记了先前训练和学习的类。在贡献于这一关键领域，本文提出一种针对 PIDNet 的新颖持续学习框架，后者是广为引用的一种最先进的实时语义分割模型。我们的方法 PILOT(Parallel Incremental Learning Over Time)通过实施一个平行的导数分支(D分支)来捕获新类的高频边界信息，同时冻结原分割网络的训练参数。这种新颖的设置允许模型适应新的语义类别，同时保留以前学习的知识。仅使用与新类相关联的数据，我们的模型显著减少了训练开销。实验结果表明，我们的方法成功地在保持对原始基类的高平均交并比(mIoU)的同时分割新类，从而轻松地超过该领域的所有主要持续学习方法。总体而言，PILOT 证明能够以对推理延迟几乎没有影响的情况下有效地缓解灾难性遗忘，维持实时性能。
引用
@article{arxiv.2605.27128,
title = {PILOT: A Data-Free Continual Learning Approach for Real-Time Semantic Segmentation via Boundary Guidance},
author = {Yujing Zhou and Prashant Shekhar and Thomas Yang and Yongxin Liu},
journal= {arXiv preprint arXiv:2605.27128},
year = {2026}
}