Hacia un escenario incremental realista en la segmentación semántica incremental por clases

Este documento aborda el aspecto poco realista del escenario de Segmentación Semántica Continua Incremental (CISS) comúnmente adoptado, denominado superpuesto. Señalamos que lo superpuesto permite que la misma imagen re-aparezca en tareas futuras con diferentes etiquetas de píxeles, lo cual está lejos de ser un escenario práctico de aprendizaje incremental. Además, identificamos que este escenario defectuoso puede llevar a resultados sesgados para dos técnicas comúnmente utilizadas en CISS, etiquetado pseudo y memoria de ejemplares, resultando en ventajas o desventajas no intencionadas para ciertas técnicas. Para mitigar esto, se propone un escenario práctico denominado particionado, en el cual el conjunto de datos se divide primero en subconjuntos distintos que representan cada clase, y luego los subconjuntos se asignan a cada tarea correspondiente. Esto aborda de manera eficiente el problema anterior mientras cumple con los requisitos del escenario CISS, como capturar los cambios de fondo. Además, identificamos y abordamos los problemas de implementación de código relacionados con la recuperación de datos de la memoria de ejemplares, que fueron ignorados en trabajos anteriores. Por último, presentamos una línea base simple pero competitiva basada en memoria, MiB-AugM, que maneja los cambios de fondo de las tareas actuales en la memoria de ejemplares. Esta línea base alcanza resultados de vanguardia en múltiples tareas que implican el aprendizaje de numerosas nuevas clases.