远程生理测量的持续学习：最小化遗忘并简化推理
计算机视觉与模式识别
2024-07-22 v1
摘要
远程光电容积图谱（Remote photoplethysmography, rPPG）近年来因其能从人脸视频中提取生理信号而受到广泛关注。虽然现有 rPPG 测量方法在 intra-dataset 和 cross-dataset 场景中表现良好，但往往忽视递增学习场景，即训练数据按顺序呈现，导致灾难性遗忘问题。与此同时，大多数现有的类递增学习方法不适用于 rPPG 测量。本文提出一种名为 ADDP 的新方法，以应对 rPPG 测量的持续学习问题。我们首先采用 adapter 高效地在新任务上进行微调。随后，我们设计更适用于 rPPG 信号回归的域原型（domain prototypes），而非常用的类原型（class prototypes）。基于这些原型，我们提出一种特征增强策略来巩固过往知识，以及一种推理简化策略，将可能被遗忘的任务转换为模型熟悉的任务。为评估 ADDP 并实现公平比较，我们构建了 rPPG 测量的第一个持续学习协议。全面实验表明，我们的方法在 rPPG 持续学习方面有效且可靠。源代码已公开于 \url{https://github.com/MayYoY/rPPGDIL}。
引用
@article{arxiv.2407.13974,
title = {Continual Learning for Remote Physiological Measurement: Minimize Forgetting and Simplify Inference},
author = {Qian Liang and Yan Chen and Yang Hu},
journal= {arXiv preprint arXiv:2407.13974},
year = {2024}
}
备注
ECCV 2024