基于原型对比学习的类增量语义分割方法研究综述.docVIP

基于原型对比学习的类增量语义分割方法研究综述

一、类增量语义分割的核心挑战与原型对比学习的适配逻辑

类增量语义分割（Class-IncrementalSemanticSegmentation,CISS）的核心目标是让模型在持续学习新增类别的过程中，既保持对旧类别的分割性能，又能高效适配新类别语义特征，同时避免灾难性遗忘问题。相较于图像分类任务的增量学习，语义分割的像素级预测特性使其面临三重独特困境：一是像素空间的类别分布极不均衡，背景类像素占比通常超过70%，新增类别像素往往稀疏分布在复杂场景中，模型易将新类别像素误判为背景或旧类别；二是新旧类别语义边界存在模糊性，例如新增类别电动自行车与旧类别自行车在视觉特征上高度相似，像素级特征空间的重叠会导致边界预测混淆；三是旧类别数据访问限制，多数场景下旧类别训练数据因隐私、存储成本等问题无法在增量阶段复用，模型仅能通过少量示例或特征记忆实现知识保留。

原型对比学习的核心思想是将每个类别映射为特征空间中的一个代表性向量（即类别原型），通过约束同类别样本特征与对应原型的相似度高于异类别样本，实现特征空间的类内紧凑性与类间区分性优化，恰好与类增量语义分割的需求高度适配。一方面，类别原型作为类别知识的低维载体，仅需存储少量原型向量即可保留旧类别核心特征，无需留存海量原始训练数据，能够大幅降低增量学习的存储成本；另一方面，对比学习的度量学习机