SimCS：面向域增量在线持续分割的仿真方法
计算机视觉与模式识别
2024-02-16 v2 机器学习
摘要
持续学习是迈向终身智能的一步，其中模型从近期收集的数据中持续学习而不遗忘先前的知识。现有的持续学习方法大多关注于具有明确任务边界和无限计算预算的类增量设置下的图像分类。本工作探索了在线域增量持续分割（ODICS）问题，其中模型在不同域的密集标注图像批次上持续训练，计算资源有限且无从得知任务边界。ODICS 出现在许多实际应用中。在自动驾驶中，这可能对应于在一系列城市上随时间训练分割模型的现实场景。我们分析了几种现有的持续学习方法，并表明尽管它们在类增量分割中表现良好，但在该设置下表现糟糕。我们提出了 SimCS，一种无参数的、对现有方法具有互补性的方法，它使用仿真数据来正则化持续学习。实验表明，当与不同的持续学习（CL）方法结合时，SimCS 能带来一致的提升。
引用
@article{arxiv.2211.16234,
title = {SimCS: Simulation for Domain Incremental Online Continual Segmentation},
author = {Motasem Alfarra and Zhipeng Cai and Adel Bibi and Bernard Ghanem and Matthias Müller},
journal= {arXiv preprint arXiv:2211.16234},
year = {2024}
}
备注
Accepted to AAAI Conference on Artificial Intelligence (AAAI'24)