摘要
深度神经网络在学习新任务时存在一个主要的局限性，即灾难性遗忘旧任务。本文专注于语义分割中的类别增量持续学习，其中随着时间的推移会引入新的类别，而先前的训练数据则不再保留。我们提出的持续学习方案通过塑造潜在空间来减少遗忘，同时提高对新类别的识别能力。我们的框架由三个新颖的组件驱动，并且可以轻松地与现有技术结合使用。首先，原型匹配（prototypes matching）强制潜在空间在旧类别上保持一致性，限制编码器在后续步骤中为之前见过的类别生成相似的潜在表示。其次，特征稀疏化（features sparsification）允许在潜在空间中腾出位置以容纳新类别。最后，对比学习（contrastive learning）用于根据语义聚类特征，同时将不同类别的特征分开。我们在Pascal VOC2012和ADE20K数据集上进行了广泛的评估，结果表明我们的方法具有显著的有效性，明显优于现有的最先进方法。