面向持续语义分割的表示补偿网络
计算机视觉与模式识别
2022-03-11 v1
摘要
在这项工作中，我们研究持续语义分割问题，即深度神经网络需要持续地融入新类别而不发生灾难性遗忘。我们提出使用一种称为表示补偿（RC）模块的结构化重参数化机制，来解耦旧知识与新知识的表示学习。RC 模块由两个动态演化的分支组成，其中一个冻结、一个可训练。此外，我们在空间和通道维度上设计了一种池化立方体知识蒸馏策略，以进一步增强模型的可塑性与稳定性。我们在两个具有挑战性的持续语义分割场景（持续类别分割与持续域分割）上进行了实验。在推理过程中无任何额外计算开销与参数增加的情况下，我们的方法优于当前最优性能。代码见 \url{https://github.com/zhangchbin/RCIL}。
引用
@article{arxiv.2203.05402,
title = {Representation Compensation Networks for Continual Semantic Segmentation},
author = {Chang-Bin Zhang and Jia-Wen Xiao and Xialei Liu and Ying-Cong Chen and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2203.05402},
year = {2022}
}
备注
Accepted by CVPR 2022