.png){kind=icon}
返回
Incremental Learning for Defect Segmentation With Efficient Transformer Semantic Complement
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3604956.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在工业场景中，表面缺陷的语义分割对于识别、定位和界定缺陷至关重要。然而，随着产品迭代或工艺更新，新的缺陷类型不断涌现。现有缺陷分割模型缺乏增量学习能力，直接微调（FT）往往导致灾难性遗忘。此外，缺陷与背景之间以及不同缺陷类别之间的低对比度问题加剧了这一挑战。为解决这些问题，我们引入了一种基于Transformer的“即插即用”语义补充模块（TSCM）。该模块仅需添加少量参数，即可将多头自注意力机制的全局上下文特征注入浅层卷积神经网络（CNN）特征图中，以补偿卷积感受野的限制，并通过融合全局与局部信息实现更优的分割效果。针对增量更新问题，我们提出了多尺度空间池化蒸馏（MSPD），该技术利用伪标签和多尺度池化来保留短程和长程空间关系，并提供教师模型与学生模型之间的平滑特征对齐。此外，我们采用了一种带有动态阈值的自适应权重融合（AWF）策略，该策略为更新幅度较大的参数分配更高权重，从而在稳定性和可塑性之间实现最佳平衡。在两个工业表面缺陷数据集上的实验结果表明，我们的方法在多种增量分割场景中均优于现有方法。
Keyword:
Incremental learning
knowledge distillation
semantic segmentation
surface defects
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
Incrementer: Transformer for Class-Incremental Semantic Segmentation with Knowledge Distillation Focusing on Old Class累加器：一种用于聚焦旧类别知识蒸馏的增量式语义分割Transformer
.png){kind=icon}
PREAI
分享收藏Continual Segmentation with Disentangled Objectness Learning and Class Recognition持续分割与解耦物体性学习和类别识别
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分享收藏分享收藏
查看更多内容