用于类增量语义分割的自训练方法
计算机视觉与模式识别
2022-03-14 v3 人工智能
机器学习
摘要
在类增量语义分割中，我们无法访问先前任务的标注数据。因此，当增量学习新类时，深度神经网络会遭受对已学知识的灾难性遗忘。为解决此问题，我们提出采用一种利用无标签数据的自训练方法，该方法用于先前知识的复现。具体而言，我们首先为当前任务学习一个临时模型，然后通过融合来自前一任务的旧模型与当前临时模型的信息，为无标签数据计算伪标签。此外，提出冲突消减以解决由旧模型与临时模型生成的伪标签之间的冲突。我们表明，通过平滑过度自信的预测，最大化自熵可进一步提升结果。有趣的是，在实验中我们表明辅助数据可与训练数据不同，即便通用但多样的辅助数据也能带来大幅性能提升。实验展示了最先进的结果：与先前最先进方法相比，在 Pascal-VOC 2012 上获得高达 114% 的相对提升，在更具挑战性的 ADE20K 上获得 8.5% 的提升。
引用
@article{arxiv.2012.03362,
title = {Self-Training for Class-Incremental Semantic Segmentation},
author = {Lu Yu and Xialei Liu and Joost van de Weijer},
journal= {arXiv preprint arXiv:2012.03362},
year = {2022}
}
备注
Accepted at TNNLS