論文の概要: SELECT: SELEctive Context Transfer for Class-Incremental Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.30281v1
• Date: Mon, 31 Aug 2026 05:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.246979
• Title: SELECT: SELEctive Context Transfer for Class-Incremental Semantic Segmentation
• Title（参考訳）: SELECT: SLEctive Context Transfer for Class-Incremental Semantic Segmentation (SELECT)
• Abstract要約: CISS(Class-Incremental Semantic)は、破滅的な忘れ込みとバックグラウンドシフトによって根本的に挑戦される。 我々はSELECTを提案し、これは各新しいクラスを意味論的に類似した過去のクラスの小さなセットでグラウンド化する。 Pascal VOC と ADE20K の実験では、SELECT が先行作業より一貫して優れていたことが示されている。
• 参考スコア（独自算出の注目度）: 4.171845508984375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-Incremental Semantic Segmentation (CISS) is fundamentally challenged by catastrophic forgetting and background shift, where learning new concepts degrades performance on previously seen classes. While existing methods attempt to balance stability (retaining old knowledge) and plasticity (learning new knowledge), they often fail to leverage prior knowledge effectively. These approaches typically rely on indiscriminate knowledge transfer or ambiguous initializations, which can dilute crucial semantic information. To overcome this limitation, we propose SELECT, a novel approach for Selective Context Transfer, which instead grounds each new class in a small set of semantically similar past classes. Its core is a Context Transfer Attention mechanism that aggregates the learned tokens from similar classes into a structured initialization for the new class. To ensure this transfer does not corrupt the borrowed representations, we add a controlled noise perturbation and a margin-based context-transfer loss that enforces separation between the new class token and its source tokens. Extensive experiments on Pascal VOC and ADE20K show that SELECT consistently outperforms prior work, achieving mIoU of 2.2% on VOC and 2.8% on ADE, providing an effective handle on the stability-plasticity dilemma. Code is available at https://github.com/avigupta2798/SELECT.
• Abstract（参考訳）: クラスインクリメンタルセマンティックセマンティックセグメンテーション(CISS)は、破滅的な忘れ込みとバックグラウンドシフトによって根本的に挑戦される。 既存の手法は安定性(古い知識を保持する)と可塑性(新しい知識を学ぶ)のバランスをとろうとするが、それらはしばしば事前知識を効果的に活用することができない。 これらのアプローチは典型的には無差別な知識伝達や曖昧な初期化に依存しており、重要な意味情報を希薄にすることができる。 この制限を克服するために、SELECTというSelective Context Transferの新しいアプローチを提案する。 その中核はContext Transfer Attentionメカニズムで、類似したクラスから学んだトークンを集約して、新しいクラスの構造化初期化を行う。 この転送が借用された表現を損なわないよう、制御されたノイズ摂動と、新しいクラストークンとソーストークンの分離を強制するマージンベースのコンテキストトランスファー損失を加えます。 パスカルVOCとADE20Kの大規模な実験により、SELECTは従来よりも一貫して優れており、VOCでは2.2%、ADEでは2.8%のmIoUを達成し、安定性と塑性のジレンマを効果的に扱えることを示した。 コードはhttps://github.com/avigupta2798/SELECT.comで入手できる。

関連論文リスト

• CoMBO: Conflict Mitigation via Branched Optimization for Class Incremental Segmentation [75.35841972192684]
  効果的なクラスインクリメンタル(CIS)は、破滅的な忘れを同時に緩和し、新しいクラスを統合するのに十分な可塑性を確保する必要がある。 分岐最適化(CoMBO)による競合緩和という新しいアプローチを導入する。 このアプローチでは、新しいクラスに対するクエリを明示的に洗練するために設計されたQuery Conflict Reductionモジュールを提示する。
  論文  参考訳（メタデータ） (2025-04-05T12:34:51Z)
• Early Preparation Pays Off: New Classifier Pre-tuning for Class Incremental Semantic Segmentation [13.62129805799111]
  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は、新しいタスクを学習しながら古い知識を保存することを目的としている。 それは破滅的な忘れ込みとバックグラウンドシフトの問題によって妨げられる。 そこで本研究では,正規学習プロセスの前に適用された新しい分類器プレチューニング(NeST)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T09:19:29Z)
• Mitigating Background Shift in Class-Incremental Semantic Segmentation [18.604420743751643]
  クラスインクリメンタルセマンティック(CISS)は、古いクラスを忘れずに新しいクラスを学習することを目的としている。 CISSのためのバックグラウンドクラス分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T15:44:37Z)
• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Activating the Discriminability of Novel Classes for Few-shot Segmentation [48.542627940781095]
  本稿では,特徴符号化段階とセグメンテーションの予測段階の両方において,新規クラスの識別可能性を明示的に活性化することを提案する。 セグメンテーションの予測段階では、クエリ画像の高信頼画素を用いて自分自身を洗練できる自己修正オンラインフォアグラウンド分類器(SROFB)を学習する。
  論文  参考訳（メタデータ） (2022-12-02T12:22:36Z)
• Decomposed Knowledge Distillation for Class-Incremental Semantic Segmentation [34.460973847554364]
  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)は、画像の各ピクセルに対応するオブジェクト/スタッフクラスを連続的にラベル付けする。 それまでの知識を忘れずに、新しいクラスを漸進的に学ぶことが不可欠である。 我々は,忘れる問題を軽減し,新しい授業を効果的に学習するためのCISSフレームワークを導入する。
  論文  参考訳（メタデータ） (2022-10-12T06:15:51Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• 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)
• Efficient Conditional GAN Transfer with Knowledge Propagation across Classes [85.38369543858516]
  CGANは、無条件設定と比較して新しい知識移転の機会を提供します。 新しいクラスは、関連する古いクラスから知識を借りたり、トレーニングを改善するために知識を共有したりする。 新しいGAN転送手法は、古いクラスから新しいクラスへの知識を明示的に伝達する。
  論文  参考訳（メタデータ） (2021-02-12T18:55:34Z)

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。