基于双相认知级联实现零遗忘 CISS
计算机视觉与模式识别
2026-03-17 v1
摘要
持续语义分割（CSS）是计算机视觉中的核心任务，使大量下游应用成为可能，但面临灾难性遗忘挑战。在基于 Softmax 分类头的常规类递增语义分割（CISS）框架中，灾难性遗忘源于 Catastrophic forgetting 和任务关联概率。我们对这些问题进行了形式化建模，并提供了理论分析，以更深入理解现有 CISS 方法的局限性，特别是严格参数隔离（SPI）。为解决这些挑战，我们沿用人类标注员的双相直觉，引入认知级联分割（CogCaS），这是一种用于 CISS 设置下的 CSS 任务的新型双相级联公式。通过将任务解耦为类存在检测和类特定分割，CogCaS 实现了更有效的持续学习，既保留了先前学习的知识，又整合了新类别。我们在两个基准数据集 PASCAL VOC 2012 和 ADE20K 上进行实验，表明在各种具有挑战性情境下尤其是在长序列递增任务情况下，与现有最先进方法相比具有显著的性能提升。我们的代码将在论文接受后公开。
引用
@article{arxiv.2603.13874,
title = {Zero-Forgetting CISS via Dual-Phase Cognitive Cascades},
author = {Yuquan Lu and Yifu Guo and Zishan Xu and Siyu Zhang and Yu Huo and Siyue Chen and Siyan Wu and Chenghua Zhu and Ruixuan Wang},
journal= {arXiv preprint arXiv:2603.13874},
year = {2026}
}