초록
딥 러닝 아키텍처는 새로운 작업을 점진적으로 학습해야 할 때 재앙적 잊어버림(catastrophic forgetting)으로 인해 성능이 크게 저하되는 경향이 있습니다. 최근의 점진적 학습 프레임워크들은 주로 이미지 분류와 객체 검출에 초점을 맞추고 있지만, 본 연구에서는 픽셀 단위 라벨링을 고려한 의미 분할(semantic segmentation)을 위한 점진적 학습 문제를 공식적으로 소개합니다. 이 문제를 해결하기 위해, 우리는 이전 모델의 지식을 증류하여 이전에 학습된 클래스에 대한 정보를 유지하면서, 현재 모델을 업데이트하여 새로운 클래스를 학습하도록 제안합니다. 출력 로짓(output logits)과 중간 특징(intermediate features) 모두에서 작동하는 다양한 접근 방식을 제안합니다. 일부 최신 프레임워크들과 달리, 우리는 이전에 학습된 클래스의 어떤 이미지도 저장하지 않으며, 이러한 클래스에서 높은 정확도를 유지하기 위해서는 마지막 모델만 필요합니다. 파스칼 VOC2012 데이터셋에서 수행한 실험 평가 결과, 제안된 접근 방식들의 효과성이 확인되었습니다.