論文の概要: Continual Learning for Class- and Domain-Incremental Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2209.08023v1
• Date: Fri, 16 Sep 2022 16:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:00:59.574763
• Title: Continual Learning for Class- and Domain-Incremental Semantic Segmentation
• Title（参考訳）: クラス・ドメイン・インクリメンタル意味セグメンテーションのための連続学習
• Authors: Tobias Kalb, Masoud Roschani, Miriam Ruf, J\"urgen Beyerer
• Abstract要約: 本研究の目的は,セマンティックセグメンテーションの課題に対して,連続的なオブジェクト認識のための確立されたソリューションを評価し,適応させることである。 本研究は, 画像分類と比較して, 忘れの軽減に最も有効な手法が, セマンティックセグメンテーションのタスクの性質を変えることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of continual deep learning is an emerging field and a lot of progress has been made. However, concurrently most of the approaches are only tested on the task of image classification, which is not relevant in the field of intelligent vehicles. Only recently approaches for class-incremental semantic segmentation were proposed. However, all of those approaches are based on some form of knowledge distillation. At the moment there are no investigations on replay-based approaches that are commonly used for object recognition in a continual setting. At the same time while unsupervised domain adaption for semantic segmentation gained a lot of traction, investigations regarding domain-incremental learning in an continual setting is not well-studied. Therefore, the goal of our work is to evaluate and adapt established solutions for continual object recognition to the task of semantic segmentation and to provide baseline methods and evaluation protocols for the task of continual semantic segmentation. We firstly introduce evaluation protocols for the class- and domain-incremental segmentation and analyze selected approaches. We show that the nature of the task of semantic segmentation changes which methods are most effective in mitigating forgetting compared to image classification. Especially, in class-incremental learning knowledge distillation proves to be a vital tool, whereas in domain-incremental learning replay methods are the most effective method.
• Abstract（参考訳）: 継続的深層学習の分野は新たな分野であり、多くの進歩がなされている。 しかし、ほとんどのアプローチは画像分類のタスクでのみテストされるが、これはインテリジェントな車両の分野では関係がない。 クラスインクリメンタルなセマンティックセグメンテーションのためのアプローチが最近提案された。 しかし、これらのアプローチはすべて何らかの種類の知識蒸留に基づいている。 現時点では、連続的な設定でオブジェクト認識に一般的に使用されるリプレイベースのアプローチに関する調査は行われていない。 セマンティクスセグメンテーションに対する教師なしのドメイン適応が大きな牽引力を得たのと同時に、継続的な環境でのドメインインクリメンタル学習に関する調査は十分に研究されていない。 そこで本研究の目的は,セマンティックセグメンテーションのタスクに対して,連続的なオブジェクト認識のための確立されたソリューションを評価・適応し,セマンティックセグメンテーションのタスクのためのベースライン手法と評価プロトコルを提供することである。 まず、クラスおよびドメインインクリメンタルセグメンテーションの評価プロトコルを導入し、選択したアプローチを分析する。 意味セグメンテーションのタスクの性質は,画像分類と比較して,どの手法が最効果的かに変化することを示す。 特に、授業学習における知識蒸留は重要なツールであることが証明され、ドメインインクリメンタル学習リプレイ法が最も効果的な方法である。

関連論文リスト

• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
  画像の参照は、言語表現からのイメージセグメントを参照する。 そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。 比較すると,本手法はより汎用的で有効である。
  論文  参考訳（メタデータ） (2023-03-11T08:42:40Z)
• Improving Replay-Based Continual Semantic Segmentation with Smart Data Selection [0.0]
  セマンティックセグメンテーションにおける様々なリプレイ戦略の影響について検討し,クラス・インクリメンタル・セッティングとドメイン・インクリメンタル・セッティングで評価する。 本研究は,クラス増分設定において,バッファ内の異なるクラスに対して一様分布を実現することが重要であることを示唆する。 ドメインインクリメンタルな設定では、学習した特徴表現の分布から一様にサンプリングしたり、中央値のエントロピーを持つサンプルを選択することでバッファサンプルを選択することが最も効果的である。
  論文  参考訳（メタデータ） (2022-09-20T16:32:06Z)
• Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
  ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。 本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
  論文  参考訳（メタデータ） (2022-08-12T02:21:05Z)
• Pin the Memory: Learning to Generalize Semantic Segmentation [68.367763672095]
  本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
  論文  参考訳（メタデータ） (2022-04-07T17:34:01Z)
• A Contrastive Distillation Approach for Incremental Semantic Segmentation in Aerial Images [15.75291664088815]
  現在のディープニューラルアーキテクチャに関する大きな問題は、破滅的な忘れこととして知られている。 我々は、任意の入力を拡張バージョンと比較する、対照的な正則化を提案する。 私たちは、Potsdamデータセットにおけるソリューションの有効性を示し、各テストにおけるインクリメンタルベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-12-07T16:44:45Z)
• Towards Fewer Annotations: Active Learning via Region Impurity and Prediction Uncertainty for Domain Adaptive Semantic Segmentation [19.55572909866489]
  ドメインシフトに基づく意味的セグメンテーションのための領域ベースアクティブラーニング手法を提案する。 領域不純物・予測不確かさ(AL-RIPU)を用いた能動学習では,画像領域の空間的隣接性を特徴付ける新たな獲得戦略が導入された。 我々の手法は、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-25T06:40:58Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
  セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。 その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
  論文  参考訳（メタデータ） (2020-09-30T04:17:48Z)
• Towards Interpretable Semantic Segmentation via Gradient-weighted Class Activation Mapping [71.91734471596432]
  本稿では,セマンティックセグメンテーションの解法としてSEG-GRAD-CAMを提案する。 本手法は,各画素のセグメンテーションに対する関連性を示すヒートマップを作成するために局所的に適用された広く使われているGrad-CAM法の拡張である。
  論文  参考訳（メタデータ） (2020-02-26T12:32:40Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。