摘要
本文介绍了一种针对类别增量语义分割（CISS）问题的先进基线方法。尽管近期的CISS算法通过使用知识蒸馏（KD）技术的不同变体来解决这一问题，但它们未能完全应对CISS中的关键挑战，即灾难性遗忘、背景类别的语义漂移以及多标签预测问题。为了更好地应对这些挑战，我们提出了一种新的方法，称为SSUL-M（带有未知标签和记忆的语义分割），该方法通过精心结合专为语义分割设计的技术来实现。具体而言，我们声称有三个主要贡献：(1) 在背景类别中定义未知类别，以帮助学习未来的类别（增强可塑性）；(2) 通过冻结骨干网络和过去的分类器，并使用二元交叉熵损失和伪标签来克服灾难性遗忘（增强稳定性）；(3) 首次在CISS中利用小型示例记忆库，以同时提高可塑性和稳定性。大量实验表明，我们的方法在标准基准数据集上显著优于最近的先进基线方法。此外，我们通过详尽的消融分析证明了我们的贡献，并讨论了CISS问题与传统面向分类的类别增量学习之间的不同性质。官方代码可在以下地址获取：https://github.com/clovaai/SSUL。