.png){kind=icon}
返回
Lightweight Class Incremental Semantic Segmentation Without Catastrophic Forgetting
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3588065.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
渐进式类别语义分割 (CISS) 旨在逐步分割新引入的类别，同时保留先前学习类别的记忆。传统的CISS方法直接采用先进的语义分割模型（例如，Deeplab-v3）作为持续学习器。然而，这些方法需要大量的计算和内存资源，限制了它们在边缘设备上的部署。在本文中，我们提出了一种面向资源受限场景的轻量级渐进式类别语义分割 (LISS) 模型。具体而言，我们设计了一种基于Hilbert-Schmidt独立性准则 (HSIC) Lasso的自动知识保留剪枝策略，该策略通过搜索全局惩罚系数来自动压缩CISS模型。然而，减少模型参数会加剧增量学习中的灾难性遗忘。为了缓解这一挑战，我们开发了一种基于聚类的伪标签生成器，通过考虑旧类别的特征空间结构来获得高质量的伪标签。它根据每个类别最近子簇中心的特征接近度来调整旧模型的预测概率。此外，我们引入了一个定制的软标签模块，分别蒸馏类别之间的语义关系。它将软标签分解为目标概率、背景概率和其他概率，从而以细粒度方式保持先前学习类别的知识。在两个基准数据集上的大量实验表明，我们的LISS模型在有效性和效率方面均优于现有最先进的方法。
Keyword:
Semantic segmentation
incremental learning
channel pruning
pseudo labels
soft labels
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
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
查看更多内容