通过合成特征抽样实现数据自由的持续手势学习
计算机视觉与模式识别
2025-03-21 v2 人工智能
摘要
数据自由类递增学习(DFCIL)旨在使模型能够在旧类别训练知识的同时持续学习新类别,即使旧类别的训练数据不可用。虽然此方法主要通过图像数据集进行探索,但本研究聚焦于基于骨架的手势分类,因为随着VR/AR头盔普及应用,手势已成为主要的控制和交互方式。在本工作中,我们发现即使仅使用有限的基准类别训练的骨架模型,也展现出强大的对未见类别的泛化能力,无需额外训练。基于这一洞见,我们开发了合成特征回放(SFR)技术,从类特征原型中抽样合成特征以回放旧类别并在few-shot setting下增强新类别。我们提出的方法在主流方法之上实现了显著的提升,在所有步骤上实现了平均准确率提升最高可达15%,并有效缓解了基准类别与新类别之间的准确率不平衡问题。
引用
@article{arxiv.2408.12629,
title = {Continual Gesture Learning without Data via Synthetic Feature Sampling},
author = {Zhenyu Lu and Hao Tang},
journal= {arXiv preprint arXiv:2408.12629},
year = {2025}
}