클래스 증가형 의미 분할에서 배경 이동 완화

클래스 증가형 의미 분할(Class-Incremental Semantic Segmentation, CISS)은 새로운 클래스를 학습하면서 기존 클래스를 잊지 않는 것을 목표로 하며, 이는 오직 새로운 클래스의 라벨만을 사용하여 이루어집니다. 이를 달성하기 위해 두 가지 주요 전략이 활용됩니다: 1) 가상 라벨링(pseudo-labeling)과 지식 증류(knowledge distillation)를 통해 사전 지식을 보존하는 방법; 그리고 2) 배경 가중치 전송(background weight transfer), 이는 배경의 광범위한 커버리지를 활용하여 새로운 클래스 분류기에 배경 가중치를 전송함으로써 새로운 클래스 학습을 촉진하는 방법입니다. 그러나 첫 번째 전략은 기존 모델이 기존 클래스를 감지하는 데 크게 의존하며, 감지되지 않은 픽셀은 배경으로 취급되므로, 이로 인해 배경이 기존 클래스 쪽으로 이동하게 됩니다(즉, 기존 클래스가 배경으로 잘못 분류되는 문제). 또한 두 번째 접근 방식에서는 새로운 클래스 분류기를 배경 지식으로 초기화하면 비슷한 배경 이동 문제가 발생하지만, 이번에는 새로운 클래스 쪽으로 이동합니다. 이러한 문제들을 해결하기 위해 우리는 CISS를 위한 배경-클래스 분리 프레임워크를 제안합니다. 우선, 선택적 가상 라벨링(selective pseudo-labeling)과 적응적 특징 증류(adaptive feature distillation)를 통해 신뢰할 수 있는 과거 지식만 추출합니다. 한편, 우리는 새로운 정교한 직교 목적함수와 라벨 안내 출력 증류(label-guided output distillation)를 통해 배경과 새로운 클래스 사이의 분리를 유도합니다. 우리의 최신 연구 결과는 이러한 제안된 방법들의 효과성을 검증합니다.