.png){kind=icon}
返回
Adaptive multi-scale framework for incremental semantic segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01564-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增量式类别语义分割（CISS）旨在逐步学习新类别或适应新型环境以用于语义分割任务，而无需进行完整的模型重新训练，同时确保对先前学习类别的分割性能得以保留。大多数现有的增量式类别语义分割方法通过伪标签和知识蒸馏等策略缓解灾难性遗忘和背景漂移问题。尽管现有方法取得了一定成功，但仍存在一些局限性：（1）它们忽略了任务间的上下文关系，导致缺乏整体学习；（2）即使并非所有旧模型知识都对新模型有益，知识仍被直接从旧模型转移到新模型。本文提出了一种新颖的自适应多尺度增量语义分割（AMIS）框架，该框架集成了一个全局注意力块（GAB），旨在捕捉不同任务间的上下文信息并解决这些挑战。此外，本研究采用自适应多尺度蒸馏（AMD）模块对解码器提取的特征进行多尺度池化和融合，使模型能够自适应地聚焦于信息丰富的表示。此外，应用背景补偿策略（BCS）以增强模型区分背景与目标类别间模糊边界的能力。在Pascal VOC和ADE20K数据集上的广泛实验表明，所提出的方法有效缓解了灾难性遗忘和背景漂移问题，并在大多数场景下优于当前最先进的方法。代码可在https://github.com/ZXCV-7/AMIS获取。
Keyword:
Incremental learning
Incremental semantic segmentation
Adaptive distillation
Multi-scale pooling
Background compensation strategy
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
引用论文
Class-Incremental Learning Network for Small Objects Enhancing of Semantic Segmentation in Aerial Imagery面向航空影像小目标语义分割增强的类增量学习网络
PREAI
分享收藏SegViT v2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision TransformersSegViT v2: 使用普通视觉转换器探索高效和连续的语义分割
OAAI
OAAI分享收藏Fedadkd:heterogeneous federated learning via adaptive knowledge distillationFedadkd: 通过自适应知识蒸馏实现异构联邦学习
PREAI
分享收藏Ssul: smantic segmentation with unknown label for exemplar-based class-incremental learningSsul: 基于示例的逐步分类学习中的语义分割与未知标签.png)
IF0
PREAI
分享收藏Improving underwater semantic segmentation with underwater image quality attention and muti-scale aggregation attention结合水下图像质量关注和多尺度聚合关注改进水下语义分割
PREAI
分享收藏
查看更多内容