Inkrementelle Lernverfahren für die semantische Segmentierung

Tiefe Lernarchitekturen zeigen eine kritische Leistungsabnahme aufgrund des katastrophalen Vergessens, wenn sie inkrementell neue Aufgaben lernen müssen. Moderne inkrementelle Lernframeworks konzentrieren sich auf Bildklassifizierung und Objekterkennung, während wir in dieser Arbeit das inkrementelle Lernproblem für die semantische Segmentierung formell einführen, bei der eine pixelweise Beschriftung berücksichtigt wird. Um diese Aufgabe zu bewältigen, schlagen wir vor, das Wissen des vorherigen Modells zu destillieren, um Informationen über bereits gelernte Klassen beizubehalten, während das aktuelle Modell aktualisiert wird, um neue Klassen zu lernen. Wir schlagen verschiedene Ansätze vor, die sowohl auf den Ausgabelogits als auch auf Zwischenfeatures arbeiten. Im Gegensatz zu einigen aktuellen Frameworks speichern wir keine Bilder von bereits gelernten Klassen und benötigen nur das letzte Modell, um eine hohe Genauigkeit bei diesen Klassen zu gewährleisten. Die experimentelle Auswertung am Pascal VOC2012-Datensatz zeigt die Effektivität der vorgeschlagenen Ansätze.