时间：2025年9月20日（周六）09:00
地点：望江校区基础教学楼B座318实验室
分享者：朱陶涛
Part1
分享者：朱陶涛
分享内容：
Zhu Y, Shi C, Wang D, et al. Rethinking Query-based Transformer for Continual Image Segmentation.[C]//Proceedings of the Computer Vision and Pattern Recognition Conference. 2025: 4595--4606.
论文简介：
类递增图像分割（Class-incremental image segmentation, CIS）旨在分阶段训练图像分割器，每个阶段的可用类别集都不同。为了利用基于查询的transformer的内置对象性来减轻候选掩码的灾难性遗忘问题，当前的方法通常会将掩码生成与持续学习过程分离开。然而，本研究发现了解耦框架的两个关键问题：可塑性的丧失和对输入数据顺序的严重依赖。本文对内置对象性进行了深入研究，发现高度聚合的图像特征为通过简单的特征对齐生成掩码的查询提供了捷径。在此基础上，本文提出了SimCIS，其核心思想是直接选择图像特征进行查询分配，确保"完美对齐"以保持对象性，同时允许查询选择新的类别以促进可塑性。为了进一步对抗灾难性的类别遗忘，本文引入了跨阶段一致性选择和基于 "视觉查询 "的创新重放机制。在各种分割任务、设置、数据划分和输入数据顺序下，SimCIS 的表现始终优于最先进的方法。
