缓解类别增量语义分割中的背景偏移

类增量语义分割（CISS）旨在仅使用新类别的标签来学习新的类别，同时不会忘记旧的类别。为了实现这一目标，通常采用两种流行策略：1）伪标记和知识蒸馏以保留先前的知识；2）背景权重迁移，该方法通过将背景权重迁移到新类别的分类器中，利用背景的广泛覆盖范围来学习新类别。然而，第一种策略在检测旧类别时严重依赖旧模型，而未被检测到的像素则被视为背景，从而导致背景向旧类别偏移（即旧类别被误分类为背景）。此外，在第二种方法的情况下，用背景知识初始化新类别的分类器也会引发类似的背景偏移问题，但这次是偏向新类别。为了解决这些问题，我们提出了一种用于CISS的背景-类别分离框架。首先，选择性伪标记和自适应特征蒸馏仅提取可信的过去知识。另一方面，我们通过引入一种新颖的正交目标以及标签引导的输出蒸馏来促进背景与新类别的分离。我们的最新研究成果验证了所提方法的有效性。