语义分割中增量学习的背景建模

尽管深度架构在多种任务中表现出色，但它们仍存在一些重要的局限性。特别是，这些模型容易遭受灾难性遗忘的影响，即当需要更新模型以适应新类别时，如果原始训练集未被保留，其性能会显著下降。本文针对语义分割任务探讨了这一问题。当前的方法在此任务上效果不佳，原因在于它们未能考虑到语义分割的一个特殊方面：每个训练步骤仅对所有可能类别的一个子集提供注释，因此背景类（即不属于任何其他类别的像素）的语义分布会发生偏移。在这项工作中，我们重新审视了经典的增量学习方法，并提出了一种新的基于知识蒸馏的框架，该框架明确考虑了这种分布偏移。此外，我们引入了一种新的初始化分类器参数的策略，从而防止对背景类的预测出现偏差。通过在Pascal-VOC 2012和ADE20K数据集上的广泛评估，我们证明了所提方法的有效性，并显著优于现有的增量学习方法。