摘要

类增量语义分割（Class-Incremental Semantic Segmentation, CISS）旨在在仅使用新类标签的情况下，学习新类别的同时不遗忘旧类别。为实现这一目标，通常采用两种主流策略：其一，通过伪标签（pseudo-labeling）与知识蒸馏（knowledge distillation）来保留先前的知识；其二，采用背景权重迁移（background weight transfer）方法，利用背景在新类别学习过程中广泛覆盖的特性，将背景权重迁移至新类别分类器中。然而，第一种策略严重依赖旧模型对旧类别的检测能力，而未被检测到的像素则被误判为背景，从而导致背景分布向旧类别偏移（即旧类别被错误分类为背景）。此外，在第二种方法中，若以背景知识初始化新类别分类器，同样会引发类似的问题，但表现为背景向新类别偏移。为解决上述问题，本文提出一种面向CISS的背景-类别分离框架。具体而言，我们引入选择性伪标签与自适应特征蒸馏机制，仅蒸馏可信度高的历史知识；同时，设计一种新颖的正交性目标函数，并结合标签引导的输出蒸馏策略，以促进背景与新类别之间的有效分离。大量实验结果表明，所提方法在当前主流基准上取得了先进性能，充分验证了其有效性。