AGCN：面向终身多标签图像识别的增广图卷积网络
计算机视觉与模式识别
2022-03-14 v2 人工智能
摘要
终身多标签（LML）图像识别在顺序多标签图像识别数据流中构建在线类增量分类器。LML 图像识别的关键挑战在于基于训练数据部分标签构建标签关系，以及旧类的灾难性遗忘，导致泛化能力差。为解决这些问题，本研究提出一种增广图卷积网络（AGCN）模型，能够跨顺序识别任务构建标签关系并缓解灾难性遗忘。首先，我们跨所有已见类构建增广相关矩阵（ACM），其中任务内关系源自硬标签统计，而任务间关系同时利用数据中的硬标签与软标签以及所构建的专家网络。然后，基于 ACM，所提出的 AGCN 以动态增广结构捕获标签依赖并生成有效的类表示。最后，为抑制跨旧任务的标签依赖遗忘，我们提出一种关系保持损失作为标签关系构建的约束。所提方法在两个多标签图像基准上评估，实验结果表明该方法对 LML 图像识别有效，且即使先前任务标签缺失也能构建令人信服的跨任务相关性。我们的代码见 https://github.com/Kaile-Du/AGCN。
引用
@article{arxiv.2203.05534,
title = {AGCN: Augmented Graph Convolutional Network for Lifelong Multi-label Image Recognition},
author = {Kaile Du and Fan Lyu and Fuyuan Hu and Linyan Li and Wei Feng and Fenglei Xu and Qiming Fu},
journal= {arXiv preprint arXiv:2203.05534},
year = {2022}
}
备注
Accpted in ICME 2022