基于 CNN 特征空间的辅助生活应用半监督增量学习
计算机视觉与模式识别
2020-11-12 v1
摘要
卷积神经网络（CNN）有时会遇到外观变化（新实例）超出其泛化能力的对象。这要求 CNN 吸纳新知识，即进行增量学习。本文在辅助生活的背景下关注该问题。我们提议利用训练数据集所得的特征空间来自动标注 CNN 无法正确识别的问题图像。其思路是挖掘特征空间中的额外信息以进行半监督标注，并利用问题图像改进 CNN 的分类模型。除其他益处外，所得的半监督增量学习过程可将新实例的分类准确率提升 40%，正如大量实验所示。
引用
@article{arxiv.2011.05734,
title = {A CNN-based Feature Space for Semi-supervised Incremental Learning in Assisted Living Applications},
author = {Tobias Scheck and Ana Perez Grassi and Gangolf Hirtz},
journal= {arXiv preprint arXiv:2011.05734},
year = {2020}
}
备注
Accepted in VISAPP 2020