연속적인 의미 분할을 위한 표현 보상 네트워크

본 연구에서는 지속적인 의미 분할 문제를 다루며, 이는 깊은 신경망이 재앙적 잊어버림(catastrophic forgetting) 없이 새로운 클래스를 지속적으로 통합해야 하는 문제입니다. 우리는 구조적 재매개화 메커니즘을 제안하며, 이를 표현 보상(representation compensation, RC) 모듈이라고 명명하였습니다. 이 RC 모듈은 하나는 동결되고 다른 하나는 학습 가능한 두 개의 동적으로 진화하는 브랜치로 구성됩니다. 또한, 공간과 채널 차원에서 모두 적용되는 풀링 큐브 지식 전달(pooled cube knowledge distillation) 전략을 설계하여 모델의 가소성과 안정성을 더욱 강화하였습니다. 우리는 두 가지 어려운 지속적 의미 분할 시나리오, 즉 지속적 클래스 분할과 지속적 도메인 분할에 대한 실험을 수행하였습니다. 추론 시 추가적인 계산 부담이나 매개변수 없이 우리의 방법은 최신 기술(state-of-the-art) 성능을 초월합니다. 코드는 \url{https://github.com/zhangchbin/RCIL}에서 제공됩니다.