会议：CVPR 2023

作者：尚超；李宏亮；孟凡满；吴庆波；邱荷茜；王岚晓

论文简介：类增量式语义分割旨在增量地学习新类，同时保持对旧类的分割能力，并且由于旧类标签不可用而遭受灾难性的遗忘。现有的方法大多是基于卷积网络，通过知识蒸馏来防止遗忘，这需要增加额外的卷积层来预测新类，(2)在知识蒸馏过程中忽略了区分新旧类对应的不同区域，粗略地提取了所有特征，从而限制了新类的学习。基于上述观察，该论文提出了一种新的类增量语义分割的转换器框架，称为Incrementer，它只需要向转换器解码器添加新的类令牌即可进行新类学习。在incrementor的基础上，提出了一种新的知识蒸馏方案，以老类区域的知识蒸馏为重点，减少了旧模型对新类学习的约束，提高了模型的可塑性。此外，该论文提出了一种类反融合策略，以减轻对新类的过拟合和相似类的混淆。该论文的方法简单有效，大量的实验表明，该论文的方法在很大程度上优于sota (Pascal VOC和ADE20k都提高了5 - 15个绝对分数)。该论文希望该论文的Incrementer可以作为一个新的强大的管道类增量语义分割。