論文の概要: Gradient-Semantic Compensation for Incremental Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2307.10822v1
• Date: Thu, 20 Jul 2023 12:32:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 13:10:06.881577
• Title: Gradient-Semantic Compensation for Incremental Semantic Segmentation
• Title（参考訳）: 漸進的意味セグメンテーションのための勾配-意味論的補償
• Authors: Wei Cong, Yang Cong, Jiahua Dong, Gan Sun, Henghui Ding
• Abstract要約: インクリメンタルセマンティックセマンティクスは、以前に学習したクラスのトレーニングデータにアクセスすることなく、新しいクラスのセマンティクスを継続的に学習することを目的としている。 グラディエント・セマンティック補償モデルを提案し, グラディエント・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・パースペクティブの両面からインクリメンタル・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・モデルを提案する。
• 参考スコア（独自算出の注目度）: 43.00965727428193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental semantic segmentation aims to continually learn the segmentation of new coming classes without accessing the training data of previously learned classes. However, most current methods fail to address catastrophic forgetting and background shift since they 1) treat all previous classes equally without considering different forgetting paces caused by imbalanced gradient back-propagation; 2) lack strong semantic guidance between classes. To tackle the above challenges, in this paper, we propose a Gradient-Semantic Compensation (GSC) model, which surmounts incremental semantic segmentation from both gradient and semantic perspectives. Specifically, to address catastrophic forgetting from the gradient aspect, we develop a step-aware gradient compensation that can balance forgetting paces of previously seen classes via re-weighting gradient backpropagation. Meanwhile, we propose a soft-sharp semantic relation distillation to distill consistent inter-class semantic relations via soft labels for alleviating catastrophic forgetting from the semantic aspect. In addition, we develop a prototypical pseudo re-labeling that provides strong semantic guidance to mitigate background shift. It produces high-quality pseudo labels for old classes in the background by measuring distances between pixels and class-wise prototypes. Extensive experiments on three public datasets, i.e., Pascal VOC 2012, ADE20K, and Cityscapes, demonstrate the effectiveness of our proposed GSC model.
• Abstract（参考訳）: インクリメンタルセマンティックセマンティクスは、以前に学習したクラスのトレーニングデータにアクセスすることなく、新しいクラスのセマンティクスを継続的に学習することを目的としている。 しかし、現在のほとんどの方法は破滅的な忘れと背景シフトに対処できない。 1)不均衡勾配バックプロパゲーションによって引き起こされる異なるペースを考慮せずに,すべてのクラスを等しく扱うこと。 2) クラス間の強い意味指導がない。 本稿では,上記の課題に取り組むため,グラデーションとセマンティクスの両方の観点から段階的なセマンティクスセグメンテーションを克服する,グラデーション・セマンティクス補償(gsc)モデルを提案する。 具体的には、勾配面からの破滅的な忘れに対処するために、再重み付け勾配のバックプロパゲーションにより、以前に見られたクラスの忘れるペースのバランスをとることができるステップアウェアな勾配補償を開発する。 一方,本研究では,意味的側面からの破滅的忘れを緩和するソフトラベルを用いて,一貫したクラス間意味関係を蒸留するソフトシャープ意味関係蒸留法を提案する。 さらに,背景変化を緩和する強力な意味的ガイダンスを提供する,原型的な擬似再ラベルを開発する。 ピクセルとクラスワイドプロトタイプ間の距離を測定することで、バックグラウンドで古いクラスの高品質な擬似ラベルを生成する。 3つの公開データセット、すなわち Pascal VOC 2012 ADE20K と Cityscapes に関する大規模な実験は、提案した GSC モデルの有効性を実証している。

関連論文リスト

• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Class Gradient Projection For Continual Learning [99.105266615448]
  破滅的な忘れは継続的学習(CL)における最も重要な課題の1つです。 タスクではなく個々のクラスから勾配部分空間を計算するクラスグラディエント・プロジェクション(CGP)を提案する。
  論文  参考訳（メタデータ） (2023-11-25T02:45:56Z)
• Inherit with Distillation and Evolve with Contrast: Exploring Class Incremental Semantic Segmentation Without Exemplar Memory [23.730424035141155]
  本稿では,DADA(Dense Knowledge Distillation on all aspects)とARCL(Asymmetric Region-wise Contrastive Learning)モジュールからなるIDECを提案する。 本稿では,Pascal VOC 2012 ADE20K や ISPRS など,最先端のパフォーマンスによる複数の CISS タスクに対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-09-27T05:38:31Z)
• Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided Relation Alignment and Adaptation [98.51938442785179]
  増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。 このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。 本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:40:52Z)
• Modeling the Background for Incremental and Weakly-Supervised Semantic Segmentation [39.025848280224785]
  セマンティックセグメンテーションのための新しい漸進的なクラス学習手法を提案する。 各トレーニングステップは、すべての可能なクラスのサブセットにのみアノテーションを提供するので、バックグラウンドクラスのピクセルはセマンティックシフトを示す。 本研究では,Pascal-VOC,ADE20K,Cityscapesのデータセットを広範囲に評価し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-01-31T16:33:21Z)
• Tackling Catastrophic Forgetting and Background Shift in Continual Semantic Segmentation [35.2461834832935]
  セマンティックセグメンテーション(CSS)の継続的な学習は、新しいクラスを逐次追加することによって古いモデルを更新する、新たなトレンドである。 本稿では,長期・短距離空間関係を保存する多スケールプール蒸留方式であるLocal PODを提案する。 また,セグメンテーションに適した新しいリハーサル手法も導入する。
  論文  参考訳（メタデータ） (2021-06-29T11:57:21Z)
• Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation [66.85202434812942]
  セグメンテーションを意味的再構成問題として再検討する。 基本クラスの特徴を,新しいクラス再構築のためのクラスレベルのセマンティック空間にまたがる一連の基底ベクトルに変換する。 提案手法はアンチエイリアス・セマンティック・リストラクション (ASR) と呼ばれ, 数発の学習問題に対して, 体系的かつ解釈可能な解法を提供する。
  論文  参考訳（メタデータ） (2021-06-01T02:17:36Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)

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。