通过子网络创建与选择进行表面缺陷分割的持续学习
计算机视觉与模式识别
2023-12-11 v1 机器学习
摘要
我们引入了一种名为 LDA-CP&S 的新型持续（或终身）学习算法，该算法在执行分割任务时不会发生灾难性遗忘。该方法被应用于两个不同的表面缺陷分割问题，这些问题是以增量方式学习的，即每次提供一种缺陷类型的数据，同时仍能预测之前见过的每种缺陷。我们的方法通过迭代剪枝为每种缺陷类型创建一个与缺陷相关的子网络，并训练一个基于线性判别分析的分类器。在推理阶段，我们首先用 LDA 预测缺陷类型，然后使用选定的子网络预测表面缺陷。我们将我们的方法与其他持续学习方法进行了比较，显示出显著的改进——在两个数据集上，平均交并比是现有方法的两倍。重要的是，当所有训练数据（所有缺陷）同时可见时，我们的方法表现出与联合训练相当的结果。
引用
@article{arxiv.2312.05100,
title = {Continual learning for surface defect segmentation by subnetwork creation and selection},
author = {Aleksandr Dekhovich and Miguel A. Bessa},
journal= {arXiv preprint arXiv:2312.05100},
year = {2023}
}