【技术实现步骤摘要】
本专利技术涉及增量学习和语义分割，尤其是一种基于特征纯化梯度投影的类增量语义分割方法。
技术介绍
1、类增量语义分割(ciss)是一种旨在逐步扩展模型识别类别的语义分割任务，广泛应用于自动驾驶、智能监控、医学影像分析等领域。不同于传统语义分割，ciss要求模型在不访问旧任务数据的情况下，学习新的类别，同时保持对已学类别的识别能力。然而，受灾难性遗忘问题的影响，模型在增量训练过程中往往会遗忘早期学习的类别，导致整体性能下降。
2、现有的类增量学习方法主要包括基于正则化损失的方法、基于重放的方法和基于网络结构优化的方法。正则化损失方法通过构造特殊的损失函数来平衡新旧任务之间的学习，但需要复杂的超参数调节，且难以保证稳定性。重放方法则通过存储旧任务数据或生成旧任务样本来进行回放，以减少遗忘，但可能存在隐私泄露的风险。网络结构优化方法通过调整或扩展神经网络的结构来适应新任务的学习需求，然而，这通常会增加计算开销，并降低训练效率。
3、近年来，基于梯度优化的方法在类增量学习任务中得到了广泛关注。这类方法通过存储历史任务的特...
【技术保护点】
1.一种基于特征纯化梯度投影的类增量语义分割方法，其特征在于，该方法具体包括：
2.根据权利要求1所述的一种基于特征纯化梯度投影的类增量语义分割方法，其特征在于，所述特征纯化阶段仅选取与当前任务类别高度相关的特征向量进行空间构建，并通过梯度类激活图筛选最具判别性的特征区域。
3.根据权利要求1所述的一种基于特征纯化梯度投影的类增量语义分割方法，其特征在于，所述特征子空间Si的构建采用特征原型计算和长度信息存储的方法，并通过奇异值分解提取关键特征子空间。
【技术特征摘要】
1.一种基于特征纯化梯度投影的类增量语义分割方法，其特征在于，该方法具体包括：
2.根据权利要求1所述的一种基于特征纯化梯度投影的类增量语义分割方法，其特征在于，所述特征纯化阶段仅选取与当前任务类别高度相关的特征向量进行空间构建...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。