속성 인식 가중치 전송: 클래스 증가형 의미 분할을 위한 웜스타트 초기화

클래스 증가형 의미 분할(CISS)에서 딥 러닝 아키텍처는 재앙적 망각(catastrophic forgetting)과 의미 배경 이동(semantic background shift)이라는 중요한 문제에 직면해 있습니다. 최근 연구들은 이러한 문제에 주목했지만, 기존의 분류기 초기화 방법은 배경 이동 문제를 해결하지 못하며, 배경 클래스와 새로운 전경 클래스 분류기에 동일한 초기화 가중치를 할당합니다. 우리는 그래디언트 기반 속성 할당을 사용하여 이전 배경의 분류기 가중치 중 새로운 클래스와 가장 관련성이 높은 가중치를 식별하고 이를 새로운 분류기로 전송하는 혁신적인 분류기 초기화 방법을 제안합니다. 이 사전 학습 가중치 초기화는 여러 CISS 방법에 적용 가능한 일반적인 해결책을 제공합니다. 또한, 새로운 클래스 학습을 가속화하면서 재앙적 망각을 완화시킵니다. 우리의 실험 결과는 Pascal-VOC 2012, ADE20K 및 Cityscapes 데이터셋에서 최신 CISS 방법론보다 mIoU에서 유의미한 개선을 보였습니다.