HyperAIHyperAI
vor 2 Monaten

Die Milderung von Hintergrundverschiebungen in der klasseninkrementellen semantischen Segmentierung

Park, Gilhan ; Moon, WonJun ; Lee, SuBeen ; Kim, Tae-Young ; Heo, Jae-Pil
Abstract

Class-Incremental Semantic Segmentation (CISS) zielt darauf ab, neue Klassen zu lernen, ohne die alten zu vergessen, und zwar nur mit den Etiketten der neuen Klassen. Um dies zu erreichen, werden zwei weit verbreitete Strategien eingesetzt: 1) Pseudo-Labeling und Wissensdistillierung zur Erhaltung des vorherigen Wissens; und 2) Hintergrundgewichtstransfer, der durch den Transfer von Hintergrundgewichten zum Klassifikator der neuen Klassen die umfassende Abdeckung des Hintergrunds beim Lernen neuer Klassen nutzt. Allerdings hängt die erste Strategie stark vom alten Modell ab, um alte Klassen zu erkennen, während nicht erkannte Pixel als Hintergrund betrachtet werden, was zu einer Verschiebung des Hintergrunds in Richtung alter Klassen führt (d.h., Fehlklassifizierung alter Klassen als Hintergrund). Zudem löst bei der zweiten Methode die Initialisierung des Klassifikators für neue Klassen mit Hintergrundwissen ein ähnliches Problem der Hintergrundverschiebung aus, jedoch in Richtung der neuen Klassen. Um diese Probleme anzugehen, schlagen wir einen Rahmen zur Trennung von Hintergrund- und neuen Klassen für CISS vor. Zum einen wird selektives Pseudo-Labeling und adaptive Feature-Distillierung verwendet, um nur vertrauenswürdiges vergangenes Wissen zu destillieren. Zum anderen fördern wir die Trennung zwischen dem Hintergrund und den neuen Klassen durch ein neuartiges orthogonales Ziel zusammen mit labelgeleiteter Ausgabedistillierung. Unsere Stand-der-Technik-Ergebnisse bestätigen die Effektivität dieser vorgeschlagenen Methoden.

Die Milderung von Hintergrundverschiebungen in der klasseninkrementellen semantischen Segmentierung | Neueste Forschungsarbeiten | HyperAI