Attribution-aware Gewichtstransfer: Eine Warm-Start-Initialisierung für Klassen-incrementelles semantisches Segmentieren

Bei der klasseninkrementellen semantischen Segmentierung (CISS) leiden tiefen Lernarchitekturen an den kritischen Problemen des katastrophalen Vergessens und des semantischen Hintergrundverschiebungsproblems. Obwohl jüngste Arbeiten sich mit diesen Fragen beschäftigt haben, adressieren bestehende Methoden zur Initialisierung von Klassifizierern das Hintergrundverschiebungsproblem nicht und weisen sowohl den Hintergrund- als auch den neuen Vordergrundklassifikatoren die gleichen Initialisierungsgewichte zu. Wir schlagen vor, das Hintergrundverschiebungsproblem mit einer neuen Methode zur Initialisierung von Klassifizierern anzugehen, die auf gradientenbasierter Attribution beruht, um die relevantesten Gewichte für neue Klassen aus den Gewichten des Klassifizierers für den früheren Hintergrund zu identifizieren und diese Gewichte auf den neuen Klassifizierer zu übertragen. Diese Warm-Start-Gewichtsinitialisierung bietet eine allgemeine Lösung, die auf mehrere CISS-Methoden anwendbar ist. Darüber hinaus beschleunigt sie das Lernen neuer Klassen und mildert das Vergessen. Unsere Experimente zeigen eine signifikante Verbesserung des mIoU im Vergleich zu den bislang besten CISS-Methoden auf den Datensätzen Pascal-VOC 2012, ADE20K und Cityscapes.