BriefGPT - AI 论文速递
·
基于双曲空间的开放世界感知中的分类学感知连续语义分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了基于分类树结构的混合分布增量类别分割（TOPICS）方法，通过学习特征嵌入和建立隐式类别关系约束，实现了在开放世界场景中的适用性。在自动驾驶场景下进行了大量评估，证明其达到了最先进的性能水平。
🎯
关键要点
- 语义分割模型通常在固定类别集上进行训练，限制了它们在开放世界场景中的适用性。
- 提出了基于分类树结构的混合分布增量类别分割（TOPICS）方法。
- TOPICS方法学习了在双曲空间中的特征嵌入，提供了对老类别的可塑性。
- 通过在Poincaré球的几何基础上建立隐式类别关系约束，确保潜空间适应新的约束条件。
- 在自动驾驶场景下建立了八个逼真的增量学习协议，新类别可以来自已知类别或背景。
- 在Cityscapes和Mapillary Vistas 2.0基准测试上对TOPICS进行了大量评估，证明其达到了最先进的性能水平。
- 代码和训练的模型已公开提供。
🏷️
标签
➡️
