クラス増分的意味分割における背景シフトの軽減

クラス増分型セマンティックセグメンテーション（CISS）は、新しいクラスのラベルのみを使用して、既存のクラスを忘れないように新しいクラスを学習することを目指しています。この目標を達成するために、以下の2つの一般的な戦略が採用されています：1) 信頼性のある過去の知識だけを抽出するための選択的疑似ラベリングと知識蒸留；2) 新しいクラス分類器に背景知識を転送することで、背景の広範なカバレッジを利用して新しいクラスを学習する背景重み転送。しかし、最初の戦略は旧モデルによる既存クラスの検出に大きく依存しており、未検出ピクセルは背景として扱われることから、背景が既存クラスへシフト（つまり、既存クラスが背景として誤分類される）問題が発生します。また、2番目のアプローチでは、新しいクラス分類器を背景知識で初期化すると、同様の背景シフト問題が新規クラスへ向かって発生します。これらの課題に対処するため、私たちはCISS用の背景-クラス分離フレームワークを提案します。まず、選択的疑似ラベリングと適応的な特徴量蒸留によって信頼性のある過去の知識だけを抽出します。一方で、新しい正規直交目的関数とラベルガイダンス出力蒸留により、背景と新規クラスとの間での分離を促進します。私たちの最先端の結果は、これらの提案手法の有効性を証明しています。