基于门控机制与重放策略的持续语义分割方法

来源：电子与信息学报杂志2024年第7期北京时间：

作者：杨静, 何瑶, 李斌, 李少波, 胡建军, 溥江

单位：1.贵州大学机械工程学院 贵阳 5500252.贵州大学公共大数据国家重点实验室 贵阳 5500253.美国南卡罗莱纳州大学计算机科学与工程系 哥伦比亚 292084.贵州民族大学机械电子工程学院 贵阳 550025

摘要：基于深度神经网络的语义分割模型在增量更新知识时由于新旧任务参数之间的干扰加之背景漂移现象，会加剧灾难性遗忘。此外，数据常常由于隐私、安全等因素无法被存储导致模型失效。为此，该文提出基于门控机制与重放策略的持续语义分割方法。首先，在不存储旧数据的情况下，通过生成对抗网络生成及网页抓取作为数据来源，使用标签评估模块解决无监督问题、背景自绘模块解决背景漂移问题；接着，使用重放策略缓解灾难性遗忘；最后，将门控变量作为一种正则化手段增加模型稀疏性，研究了门控变量与持续学习重放策略结合的特殊情况。在Pascal VOC2012数据集上的评估结果表明，在复杂场景10-2， 生成对抗网络 (GAN)、Web的设置中，该文在全部增量步骤结束后的旧任务性能比基线分别提升了3.8%, 3.7%，在场景10-1中，相比于基线分别提升了2.7%, 1.3%。

关键词：持续学习, 语义分割, 重放策略, 门控变量

基金资助：国家自然科学基金(62166005)，贵阳市科技人才培养对象及培养项目(筑科合同[2023]48-8号)，国家重点研发计划(2018AAA010800)