用于 Exemplar-Free 类增量学习的自适应边际全局分类器
计算机视觉与模式识别
2024-09-23 v1
摘要
Exemplar-free 类增量学习 (EFCIL) 為學習新任務時缺乏舊類樣本的問題,在新任務學習中缺乏舊類樣本是一個顯著挑戰。由於舊類和新類樣本之間的嚴重不平衡,學習的分類器很容易偏向新類。此外,在 EFCIL 條件下持續更新特徵提取器可能會損害舊類特徵的區分能力,例如導致舊類特徵分布較不緊湊且跨類重疊更嚴重。現有方法主要針對處理偏倖分類器學習。在本工作中,我們考慮了兩種情況,並提出了新方法。具體而言,我們首先引入一個基於分布的全局分類器 (DBGC),以避免現有方法中存在的偏倖因素,如數據不平衡和抽樣。更重要的是,通過一種簡單的操作(變異擴大,VE)模擬舊類被損害的分布。將 VE 與 DBGC 結合結果產生一個新的 EFCIL 分類損失函數。該損失函數被證明等於一個自適應邊際 Softmax 交叉熵 (AMarX)。因此,我們提出的方法稱為自適應邊際全局分類器 (AMGC)。AMGC 簡單而有效。大量實驗顯示,在挑戰性的 EFCIL 設置下,AMGC 能獲得優異的圖像分類結果。還提供了詳細的分析以進一步說明。
引用
@article{arxiv.2409.13275,
title = {Adaptive Margin Global Classifier for Exemplar-Free Class-Incremental Learning},
author = {Zhongren Yao and Xiaobin Chang},
journal= {arXiv preprint arXiv:2409.13275},
year = {2024}
}