В статье предлагается метод прототипно-ориентированной инкрементальной сегментации изображений (Prototype-Aligned Incremental Segmentation, PAIS) для решения проблем катастрофического забывания знаний старых классов, недостаточного представления новых целей и динамического смещения фоновой семантики в процессе непрерывной сегментации изображений. Метод исходит из стабильности представлений объектов и объединяет инициализацию, эволюцию и компенсацию исторической семантики запросов объектов на стороне декодера в процессе непрерывного обучения. Метод включает три ключевых модуля: инициализацию с учетом прототипов (Prototype-Aware Initialization, PAI), которая генерирует запросы объектов, выбирая семантически значимые позиции из текущей карты признаков, усиливая способность модели к изучению новых классов; обучение временной согласованности (Temporal Consistency Learning, TCL), которое ограничивает согласованность ключевых семантических позиций и распределения ответов между соседними этапами обучения для смягчения деградации объектности из-за дрейфа признаков; категориально-ориентированную память (Category-Aware Memory, CAM), которая поддерживает компактные представления на уровне категорий, улучшая сохранение старых классов без зависимости от повторного воспроизведения большого объема изображений. Эксперименты на наборах данных ADE20K по непрерывной панорамной и семантической сегментации показывают, что PAIS превосходит такие методы, как ECLIPSE, BalConpas и CoMFormer, в различных настройках задач, разбиениях данных и последовательностях ввода; достигается улучшение показателя PQ на 6,75% на аннотированном наборе данных с 150 классами при снижении требований к хранению примерно в 10 раз. Результаты показывают, что PAIS эффективно балансирует между способностью изучать новые классы, сохранением старых классов и эффективностью хранения.

непрерывная сегментация изображений;выравнивание прототипов;обучение временной согласованности;категориально-ориентированная память;панорамная сегментация