Atténuation du décalage de fond dans la segmentation sémantique incrémentale par classe

La segmentation sémantique incrémentale par classe (CISS) vise à apprendre de nouvelles classes sans oublier les anciennes, en utilisant uniquement les étiquettes des nouvelles classes. Pour atteindre cet objectif, deux stratégies populaires sont employées : 1) le pseudo-étiquetage et la distillation de connaissances pour préserver les connaissances antérieures ; et 2) le transfert de poids de fond, qui utilise la couverture large du fond pour apprendre de nouvelles classes en transférant le poids de fond au classifieur des nouvelles classes. Cependant, la première stratégie repose fortement sur le modèle ancien pour détecter les anciennes classes, tandis que les pixels non détectés sont considérés comme faisant partie du fond, ce qui entraîne un décalage du fond vers les anciennes classes (c'est-à-dire une mauvaise classification des anciennes classes en tant que fond). De plus, dans le cas de la deuxième approche, l'initialisation du classifieur des nouvelles classes avec des connaissances de fond provoque un problème similaire de décalage du fond, mais cette fois-ci vers les nouvelles classes. Pour résoudre ces problèmes, nous proposons un cadre de séparation entre le fond et les classes pour la CISS. Tout d'abord, le pseudo-étiquetage sélectif et la distillation adaptative des caractéristiques permettent de transmettre uniquement les connaissances passées fiables. D'autre part, nous favorisons la séparation entre le fond et les nouvelles classes grâce à un nouvel objectif orthogonal associé à une distillation dirigée par les étiquettes. Nos résultats d'avant-garde valident l'efficacité de ces méthodes proposées.