PLOP: 持続的なセマンティックセグメンテーションのための忘却しない学習

深層学習手法は現在、意味分割などのコンピュータビジョンタスクに広く使用されており、大規模なデータセットと多大な計算能力を必要としています。意味分割の継続的学習（Continual Semantic Segmentation: CSS）は、新しいクラスを順次追加することで古いモデルを更新するという新規動向です。しかし、継続的学習手法は一般的にカタストロフィックフォーリングに脆弱であり、CSSでは各ステップで前のイテレーションの古いクラスが背景に統合されるため、この問題がさらに悪化します。本論文では、特徴レベルで長距離および短距離の空間関係を保つマルチスケールプーリングディスティレーションスキームであるLocal PODを提案します。さらに、古いモデルによって予測されたクラスに対するエントロピーに基づいた疑似ラベリング手法を設計し、背景シフトに対処し、古いクラスのカタストロフィックフォーリングを回避することを目指しています。当方針はPLOPと呼ばれ、既存のCSSシナリオだけでなく新しく提案された困難なベンチマークでも最先端の手法を大幅に上回る性能を示しています。