Fugu-MT 論文翻訳(概要): Zero-Forgetting CISS via Dual-Phase Cognitive Cascades

論文の概要: Zero-Forgetting CISS via Dual-Phase Cognitive Cascades

arxiv url: http://arxiv.org/abs/2603.13874v1
Date: Sat, 14 Mar 2026 10:09:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-17 16:19:35.45817
Title: Zero-Forgetting CISS via Dual-Phase Cognitive Cascades
Title（参考訳）: デュアル位相認知カスケードによるゼロフォッティングCISS
Authors: Yuquan Lu, Yifu Guo, Zishan Xu, Siyu Zhang, Yu Huo, Siyue Chen, Siyan Wu, Chenghua Zhu, Ruixuan Wang,
Abstract要約: 連続的セマンティックセグメンテーション(CSS)は、多くのダウンストリームアプリケーションを可能にするコンピュータビジョンの基盤となるタスクである。認知カスケード(CogCaS)は,CISS設定におけるCSSタスクのための新しい二相カスケード形式である。最先端の手法と比較して, 様々な難解なシナリオ, 特に長い段階的なタスクをこなすシナリオにおいて, 大幅な改善が見られた。
参考スコア（独自算出の注目度）: 10.322949655048648
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continual semantic segmentation (CSS) is a cornerstone task in computer vision that enables a large number of downstream applications, but faces the catastrophic forgetting challenge. In conventional class-incremental semantic segmentation (CISS) frameworks using Softmax-based classification heads, catastrophic forgetting originates from Catastrophic forgetting and task affiliation probability. We formulate these problems and provide a theoretical analysis to more deeply understand the limitations in existing CISS methods, particularly Strict Parameter Isolation (SPI). To address these challenges, we follow a dual-phase intuition from human annotators, and introduce Cognitive Cascade Segmentation (CogCaS), a novel dual-phase cascade formulation for CSS tasks in the CISS setting. By decoupling the task into class-existence detection and class-specific segmentation, CogCaS enables more effective continual learning, preserving previously learned knowledge while incorporating new classes. Using two benchmark datasets PASCAL VOC 2012 and ADE20K, we have shown significant improvements in a variety of challenging scenarios, particularly those with long sequence of incremental tasks, when compared to exsiting state-of-the-art methods. Our code will be made publicly available upon paper acceptance.
Abstract（参考訳）: 連続的セマンティックセグメンテーション(CSS)は、多くのダウンストリームアプリケーションを可能にするコンピュータビジョンの基盤となるタスクである。ソフトマックスに基づく分類ヘッドを用いた従来のクラスインクリメンタルセマンティックセグメンテーション(CISS)フレームワークでは、破滅的な忘れ込みは破滅的な忘れ込みとタスクアフィリエイトの確率に由来する。我々はこれらの問題を定式化し、既存のCISS法、特にSPI(Strict Parameter isolated)の限界をより深く理解するための理論的分析を提供する。これらの課題に対処するため、我々は、人間のアノテーションからの二重位相直観に従い、認知カスケードセグメンテーション(CogCaS)を導入し、CISS設定におけるCSSタスクのための新しい二重位相カスケードの定式化を行う。タスクをクラス存在検出とクラス固有のセグメンテーションに分離することで、CogCaSはより効果的な継続学習を可能にし、新しいクラスを導入しながら、以前に学習した知識を保存する。 2つのベンチマークデータセット PASCAL VOC 2012 と ADE20K を使用して、最先端のメソッドと比較して、特に長時間のインクリメンタルタスクを含む様々な課題シナリオにおいて、大幅な改善が見られた。私たちのコードは、論文の受理時に公開されます。

関連論文リスト

Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文参考訳（メタデータ） (2025-10-05T09:32:12Z)
Class-Independent Increment: An Efficient Approach for Multi-label Class-Incremental Learning [49.65841002338575]
本稿では,MLCIL(Multi-label class-incremental Learning)問題に焦点をあてる。マルチラベルサンプルに対して複数のクラスレベルの埋め込みを抽出する新しいクラス独立インクリメンタルネットワーク(CINet)を提案する。クラス固有のトークンを構築することで、異なるクラスの知識を学び、保存する。
論文参考訳（メタデータ） (2025-03-01T14:40:52Z)
IPSeg: Image Posterior Mitigates Semantic Drift in Class-Incremental Segmentation [77.06177202334398]
CISSにおけるセマンティックドリフトとデグレード性能に寄与する2つの重要な課題を特定した。まず、モデルの異なる部分が異なる漸進的な段階に最適化されるという、別々の最適化の問題を強調します。第二に、不適切な擬似ラベルから生じる雑音のセマンティクスを同定し、その結果、準最適結果が得られる。
論文参考訳（メタデータ） (2025-02-07T12:19:37Z)
Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
論文参考訳（メタデータ） (2024-10-09T04:18:51Z)
ECLIPSE: Efficient Continual Learning in Panoptic Segmentation with Visual Prompt Tuning [54.68180752416519]
パノプティカルセグメンテーション(英: Panoptic segmentation)は、コンピュータビジョンの最先端タスクである。 ECLIPSE と呼ばれる Visual Prompt Tuning をベースとした,新規で効率的なパノプティカルセグメンテーション手法を提案する。我々のアプローチは、基本モデルのパラメータを凍結し、小さなプロンプト埋め込みだけを微調整することであり、破滅的な忘れ物と塑性の両方に対処する。
論文参考訳（メタデータ） (2024-03-29T11:31:12Z)
Weakly Supervised Co-training with Swapping Assignments for Semantic Segmentation [21.345548821276097]
クラスアクティベーションマップ(CAM)は通常、擬似ラベルを生成するために弱教師付きセマンティックセマンティックセグメンテーション(WSSS)で使用される。我々は、ガイド付きCAMを組み込んだエンドツーエンドWSSSモデルを提案し、CAMをオンラインで同時最適化しながらセグメンテーションモデルを訓練する。 CoSAは、追加の監督を持つものを含む、既存のマルチステージメソッドをすべて上回る、最初のシングルステージアプローチである。
論文参考訳（メタデータ） (2024-02-27T21:08:23Z)
Enhancing Few-shot CLIP with Semantic-Aware Fine-Tuning [61.902254546858465]
Contrastive Language-Image Pre-Trainingに基づく手法は、数発の適応タスクで有望な性能を示した。本稿では,タスク固有のセマンティクスに焦点を合わせるために,トレーニングプロセス中にアテンションプーリング層のパラメータを微調整することを提案する。
論文参考訳（メタデータ） (2023-11-08T05:18:57Z)
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)
SSUL: Semantic Segmentation with Unknown Label for Exemplar-based Class-Incremental Learning [19.152041362805985]
クラスインクリメンタルセマンティックセグメンテーション(CISS)問題を考える。本稿では,セマンティックセグメンテーションに適した複数の手法を慎重に組み合わせ,SSUL-M(Semantic with Unknown Label with Memory)と呼ばれる新しい手法を提案する。提案手法は,最新の標準ベンチマークデータセットのベースラインよりも性能が大幅に向上していることを示す。
論文参考訳（メタデータ） (2021-06-22T06:40:26Z)
Continual Semantic Segmentation via Repulsion-Attraction of Sparse and Disentangled Latent Representations [18.655840060559168]
本稿では,セマンティックセグメンテーションにおけるクラス連続学習に着目した。新しいカテゴリは時間とともに利用可能になり、以前のトレーニングデータは保持されない。提案された連続学習スキームは、潜在空間を形作り、新しいクラスの認識を改善しながら忘れを減らす。
論文参考訳（メタデータ） (2021-03-10T21:02:05Z)

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。