教師由来の欠陥に対するターゲット知識修正学習（TKRL）によるドメイン継続的セグメンテーション

科学分野:

• コンピュータビジョン
• 機械学習
• ディープラーニング

背景:

• 破滅的忘却は、ドメイン継続的セグメンテーションにおける主要な課題です。
• 既存の知識蒸留法は、古いモデルから欠陥を伝播させ、忘却を悪化させます。
• 知識のギャップやバイアスなどの教師由来の欠陥は、モデルのパフォーマンスを妨げます。

研究 の 目的:

• 継続的セグメンテーションにおける古いモデルの欠陥に対処するための新しいフレームワーク、ターゲット知識修正学習（TKRL）を提案すること。
• 教師由来の知識のギャップとバイアスを修正することにより、破滅的忘却を軽減すること。
• ドメイン継続的セグメンテーションモデルのパフォーマンスを向上させること。

主な方法:

• TKRLは、プローブ拡張クラス蒸留を使用して、表現が不十分な特徴を特定して転送し、知識のギャップを橋渡しします。
• TKRLは、分散ガイドマスクオートエンコーダーを使用して、高い不確実性パッチを再構築し、継承されたバイアスを修正します。
• このフレームワークは、古い教師モデル内の欠陥のプローブと修正に焦点を当てています。

主要な成果:

• TKRLは、古いモデルから受け継いだ知識のギャップとバイアスを効果的に修正します。
• 提案されたフレームワークは、ドメイン継続的セグメンテーションにおける破滅的忘却を大幅に軽減します。
• 実験結果は、継続的セグメンテーションタスクにおけるパフォーマンスの向上を示しています。

結論:

• TKRLは、ドメイン継続的セグメンテーションにおける破滅的忘却を軽減するための効果的なソリューションを提供します。
• 教師由来の欠陥の修正は、知識転送とモデルパフォーマンスの向上に不可欠です。
• 提案された方法は、セグメンテーションタスクのための継続的学習の分野を進歩させます。