論文の概要: PILOT: A Data-Free Continual Learning Approach for Real-Time Semantic Segmentation via Boundary Guidance

• arxiv url: http://arxiv.org/abs/2605.27128v1
• Date: Tue, 26 May 2026 15:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.282604
• Title: PILOT: A Data-Free Continual Learning Approach for Real-Time Semantic Segmentation via Boundary Guidance
• Title（参考訳）: PILOT:境界誘導によるリアルタイムセマンティックセマンティックセグメンテーションのためのデータフリー連続学習手法
• Authors: Yujing Zhou, Prashant Shekhar, Thomas Yang, Yongxin Liu,
• Abstract要約: PIDNetに適した新しい連続学習フレームワークを提案する。 PILOTは、学習したクラスの知識を維持しながら、モデルが新しいセマンティックなカテゴリに適応できるようにする。 その結果,本手法は,従来のベースクラス上でのUnion(mIoU)よりも平均的なインターセクションを維持しつつ,新しいクラスを分割することに成功した。
• 参考スコア（独自算出の注目度）: 4.596496450055492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time semantic segmentation models offer an excellent balance between accuracy and inference speed. However, deploying these models in dynamic real world environments often requires the ability to learn novel classes incrementally without retraining on the entire dataset. This capability is known as continual learning. In this regard, the standard fine-tuning methods in deep learning often fail due to catastrophic forgetting, where the model learns new information but forgets previously trained and learned classes. Contributing to this crucial domain, the current paper proposes a novel continual learning framework tailored for PIDNet, which is a widely cited state-of-the-art real-time semantic segmentation model. Our method, PILOT(Parallel Incremental Learning Over Time), introduces a real-time and lightweight strategy by implementing a parallel Derivative-branch (D-branch) designed to capture the high frequency boundary information of novel classes while freezing the trained parameters of the original segmentation network. This novel setup allows the model to adapt to new semantic categories while preserving the knowledge of previously learned classes. By using only data associated with the new class, our model significantly reduces training overhead. Experimental results demonstrate that our approach successfully segments new classes while maintaining high mean Intersection over Union (mIoU) on the original base classes, thereby comfortably outperforming all major continual learning approaches in this domain. Overall, PILOT is shown to effectively mitigate catastrophic forgetting with minimal impact on inference latency, thus maintaining real-time performance.
• Abstract（参考訳）: リアルタイムセマンティックセグメンテーションモデルは精度と推論速度のバランスが良い。 しかしながら、これらのモデルを動的に現実の環境にデプロイするには、データセット全体を再トレーニングすることなく、新しいクラスを漸進的に学習する能力が必要になることが多い。 この能力は連続学習として知られている。 この点において、ディープラーニングにおける標準的な微調整手法はしばしば破滅的な忘れ込みによって失敗し、そこではモデルは新しい情報を学習するが、以前に訓練された授業や学習された授業を忘れる。 この重要な領域に寄与する本論文では、PIDNetに適した新しい連続学習フレームワークを提案し、これは最先端のリアルタイムセマンティックセマンティックセマンティクスモデルとして広く引用されている。 PILOT(Parallel Incremental Learning Over Time)は,従来のセグメンテーションネットワークのトレーニングパラメータを凍結しながら,新しいクラスの高頻度境界情報をキャプチャする並列デリバティブブランチ(D-branch)を実装することで,リアルタイムかつ軽量な戦略を提案する。 この新しいセットアップにより、モデルは、以前に学んだクラスの知識を保持しながら、新しいセマンティックなカテゴリに適応できる。 新しいクラスに関連するデータのみを使用することで、トレーニングのオーバーヘッドを大幅に削減する。 実験の結果,本手法は,従来のベースクラス上での相互接続(mIoU)を高い平均値で維持しながら,新しいクラスを分割することに成功した。 全体として、PILOTは推論遅延に最小限の影響で破滅的な忘れを効果的に軽減し、リアルタイムのパフォーマンスを維持することが示されている。

関連論文リスト

• Bagging-Based Model Merging for Robust General Text Embeddings [73.51674133699196]
  汎用テキスト埋め込みモデルは、幅広いNLPおよび情報検索アプリケーションを支える。 本稿では,データスケジューリングとモデルマージという2つの観点から,テキスト埋め込みのためのマルチタスク学習の体系的研究を行う。 本稿では,Baging ベースの rObust mOdel Merging (BOOM) を提案する。
  論文  参考訳（メタデータ） (2026-02-05T15:45:08Z)
• Forgetting, Ignorance or Myopia: Revisiting Key Challenges in Online Continual Learning [29.65600202138321]
  高速なデータストリーム環境では、遅いモデルに対応するためにデータが停止しない。 モデルの無知: OCLのシングルパスの性質は、制約付きトレーニング時間内で効果的な機能を学ぶためにモデルに挑戦する。 モデルのミオピア:OCLの局所的な学習特性は、過度に単純化されたタスク固有の機能を採用するモデルに導かれる。
  論文  参考訳（メタデータ） (2024-09-28T05:24:56Z)
• 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)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Complementary Learning Subnetworks for Parameter-Efficient Class-Incremental Learning [40.13416912075668]
  本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。 提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-06-21T01:43:25Z)
• Hyperparameter-free Continuous Learning for Domain Classification in Natural Language Understanding [60.226644697970116]
  ドメイン分類は自然言語理解(NLU)の基本課題である 既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。 本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:46:16Z)
• An EM Framework for Online Incremental Learning of Semantic Segmentation [37.94734474090863]
  本稿では,新しいクラスのみに画素アノテーションを付加したストリーミング入力データを用いて,大惨な忘れをせずに深いセグメンテーションモデルを適応できる漸進的な学習戦略を提案する。 PASCAL VOC 2012とADE20Kデータセットに対するアプローチを検証するとともに,既存のインクリメンタルメソッドよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-08T11:30:09Z)
• Modeling the Background for Incremental Learning in Semantic Segmentation [39.025848280224785]
  深いアーキテクチャは破滅的な忘れ方に弱い。 本稿では,意味的セグメンテーションの文脈においてこの問題に対処する。 本稿では,このシフトを明示的に考慮した蒸留法に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-03T13:30:38Z)

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。