迈向类增量语义分割中的现实增量场景
计算机视觉与模式识别
2024-07-12 v2 机器学习
摘要
本文指出了普遍采用的连续增量语义分割（CISS）场景中不现实的一面，称为重叠场景。我们指出，重叠场景允许同一图像在未来任务中以不同的像素标签重新出现，这远非实际的增量学习场景。此外，我们识别出这种有缺陷的场景可能导致CISS中两种常用技术——伪标签和示例记忆——产生有偏的结果，从而给某些技术带来意想不到的优势或劣势。为了缓解这一问题，我们提出了一种称为分区场景的实用场景，其中数据集首先被划分为代表每个类别的不同子集，然后将这些子集分配给相应的任务。这有效地解决了上述问题，同时满足了CISS场景的要求，例如捕获背景偏移。此外，我们识别并解决了与从示例记忆中检索数据相关的代码实现问题，这在以往的工作中被忽略了。最后，我们引入了一个简单但具有竞争力的基于记忆的基线方法MiB-AugM，它处理示例记忆中当前任务的背景偏移。该基线在涉及学习大量新类别的多个任务中取得了最先进的结果。
引用
@article{arxiv.2405.09858,
title = {Towards Realistic Incremental Scenario in Class Incremental Semantic Segmentation},
author = {Jihwan Kwak and Sungmin Cha and Taesup Moon},
journal= {arXiv preprint arXiv:2405.09858},
year = {2024}
}