2025_NIPS_Fairness Continual Learning Approach to Semantic Scene Understanding in Open-World Envi...
文章核心总结与翻译
一、主要内容
该研究聚焦开放世界环境下语义场景理解的公平性持续学习问题，针对持续语义分割中存在的灾难性遗忘、背景偏移以及类别分布不均衡导致的公平性缺失三大核心挑战，提出了一种名为Fairness Continual Learning（FairCL）的新型框架。
持续语义分割要求模型在逐步学习新类别时保留原有类别知识，但现有方法多关注前两大挑战，忽视了公平性——模型易对数据中占比高、出现频繁的类别产生预测偏向，在人机交互或安全相关应用中可能引发严重问题。为此，该研究从类别分布角度切入，构建了包含任务特定目标、公平性目标和条件结构一致性目标的多维度学习框架，并设计了对应的损失函数，在ADE20K、Cityscapes、Pascal VOC三大标准基准数据集上实现了当前最优（SOTA）性能，同时提升了模型的公平性。
二、创新点
- 首次系统性聚焦持续语义分割的公平性问题：定义了基于类别错误率的公平性度量指标，明确了类别分布不均衡是公平性缺失的核心原因，并将公平性目标融入持续学习框架，要求模型对所有类别保持相近的错误率。
- 提出原型对比聚类损失（Prototypical Contrastive Clustering Loss）：该损失函数同时解决灾难性遗忘和背景偏移问题，通过在 latent 空间中构建类别原型向量，将同类特征聚合、异类特征分离，且被证明是持续学习中常用知识蒸馏方法的广义泛化范式，计算效率更高（仅需单次前向传播）。