恭喜实验室李豪、夏宇航同学论文被AAAI2025(CCF-A)录用

Deconfound Semantic Shift and Incompleteness in Incremental Few-shot Semantic Segmentation

AAAI 2025 （CCF-A，人工智能领域顶会）

增量少样本语义分割（IFSS）扩展了训练模型的分割能力，使其能够用少量样本对新的类别图像进行分割。然而，在增量学习过程中，语义可能从背景转移到对象类别或反之亦然。此外，当新类别与预学习的旧类别差异很大时，新类别的样本通常缺乏代表性的属性特征。在本文中，我们提出一个因果框架来讨论IFSS中语义偏移和不完整性的原因，并从两个方面消除揭示的因果效应。首先，我们提出一个因果干预模块（CIM）来抵抗语义偏移。CIM逐步和自适应地更新旧类别的原型，并以干预的方式去除混杂因素。其次，我们提出一个原型精炼模块（PRM）来完成缺失的语义。在PRM中，从场景学习方案中获得的知识有助于融合新旧类别原型的特征。在PASCAL-VOC 2012和ADE20k基准测试上的实验证明了我们方法卓越的性能。