摘要

在本研究中，我们探讨了持续语义分割问题，其中深度神经网络需要不断整合新类别，同时避免灾难性遗忘。为此，我们提出了一种结构重参数化机制，即表示补偿（Representation Compensation, RC）模块，以解耦旧知识和新知识的表示学习。RC模块由两个动态演化的分支组成，其中一个分支被冻结，另一个则可训练。此外，我们在空间和通道维度上设计了一种池化立方体知识蒸馏策略，以进一步增强模型的可塑性和稳定性。我们在两个具有挑战性的持续语义分割场景中进行了实验：持续类别分割和持续域分割。在推理过程中无需任何额外的计算开销和参数的情况下，我们的方法超越了现有最先进水平。代码可在以下链接获取：\url{https://github.com/zhangchbin/RCIL}。