在持续全景分割中寻求平衡
计算机视觉与模式识别
2024-07-24 v1 机器学习
摘要
本研究探讨了持续全景分割领域的 emerging 研究方向，强调三种关键平衡。首先，我们引入过去类别回溯蒸馏，以平衡现有知识的稳定性与对新信息的适应性。该技术基于最终标签分配结果回溯与过去类别相关的特征，对这些特定特征进行知识蒸馏，同时允许其他特征灵活适应新信息。此外，我们引入比例类别记忆策略，将回放样本集中的类别分布与历史训练数据相匹配。该策略在回放期间保持平衡的类别表示，增强了在有限容量回放样本集中记忆先前类别的效用。鉴于回放样本仅标注了其原始步骤所属的类别，我们设计了平衡反误导损失，以在不引入分类偏差的前提下 combat incomplete annotations 的影响。基于这些创新，我们提出了一种新方法，称为 Balanced Continual Panoptic Segmentation (BalConpas)。在具有挑战性的 ADE20K 数据集上进行评估，表明其优于现有最先进方法。官方代码已公开 https://github.com/jinpeng0528/BalConpas。
引用
@article{arxiv.2407.16354,
title = {Strike a Balance in Continual Panoptic Segmentation},
author = {Jinpeng Chen and Runmin Cong and Yuxuan Luo and Horace Ho Shing Ip and Sam Kwong},
journal= {arXiv preprint arXiv:2407.16354},
year = {2024}
}