초록
깊은 신경망은 새로운 작업을 학습할 때 기존 작업을 재앙적으로 잊는 주요 제한점을 가지고 있습니다. 본 논문에서는 의미 분할에서의 클래스 증가형 지속 학습에 초점을 맞추며, 새로운 범주가 시간이 지남에 따라 제공되지만 이전 훈련 데이터는 보유하지 않는 상황을 다룹니다. 제안된 지속 학습 방식은 잠재 공간의 형태를 조정하여 잊음을 줄이면서 새로운 클래스의 인식을 개선합니다. 우리의 프레임워크는 세 가지 혁신적인 구성 요소로 구동되며, 이들은 기존 기술과 쉽게 결합될 수 있습니다. 첫째, 프로토타입 매칭은 이전 클래스에 대한 잠재 공간 일관성을 강제하여, 이후 단계에서 이미 본 클래스에 대해 유사한 잠재 표현을 생성하도록 인코더를 제약합니다. 둘째, 특성 희소화는 잠재 공간에 새로운 클래스를 수용하기 위한 여지를 마련합니다. 셋째, 대조적 학습은 특성을 그들의 의미에 따라 군집화하면서 다른 클래스의 특성들을 서로 멀리 떨어뜨리는 역할을 합니다. 파스칼 VOC2012와 ADE20K 데이터셋에서 수행된 광범위한 평가는 우리 접근법의 효과성을 입증하며, 현행 최고 성능 방법들보다 크게 우수함을 보여줍니다.