意味分割における増分学習の背景モデル化

深層アーキテクチャは多様なタスクにおいて効果的である一方で、重要な制限も抱えています。特に、新しいクラスが利用可能になった際にモデルを更新する必要があるが、元の訓練データセットを保持していない場合に、深刻な忘却（catastrophic forgetting）に脆弱であるという問題があります。本論文では、この問題をセマンティックセグメンテーションの文脈で取り扱います。現在の戦略は、セマンティックセグメンテーション特有の側面を考慮していないため、このタスクで失敗します。つまり、各訓練ステップではすべての可能なクラスのサブセットに対してのみ注釈が提供されるため、背景クラス（他のどのクラスにも属さないピクセル）の意味的分布がシフトします。本研究では、古典的な増分学習手法を見直し、このシフトを明示的に考慮した新たなディスティレーションベースのフレームワークを提案します。さらに、背景クラスへの偏った予測を防ぐために、分類器のパラメータ初期化に関する新規戦略を導入します。Pascal-VOC 2012およびADE20Kデータセットにおける広範な評価を通じて、我々のアプローチの有効性を示しており、従来の最先端増分学習手法よりも大幅に優れた性能を発揮しています。