基于后向一致特征嵌入的视觉搜索持续学习
计算机视觉与模式识别
2022-05-27 v1
摘要
在视觉搜索中，图库集在实践中可能增量增长并加入数据库。然而，现有方法依赖在整个数据集上训练的模型，忽略了模型的持续更新。此外，随着模型更新，新模型必须对整个图库集重新提取特征以维持兼容的特征空间，这对大型图库集带来高计算成本。为解决长期视觉搜索的问题，我们引入一种持续学习（CL）方法，能以向后嵌入一致性处理增量增长的图库集。我们施加会话间数据一致性、邻会话模型一致性和会话内判别性的损失来构建持续学习器。除不相交设置外，我们的 CL 方案还处理了在模糊边界下逐渐添加新类的情况，而不假设所有类别在开始时及模型更新过程中已知。据我们所知，这是首个同时解决后向一致特征嵌入问题并允许新类别出现在新会话中的 CL 方法。在各种基准上的大量实验表明我们的方法在广泛设置下的有效性。
引用
@article{arxiv.2205.13384,
title = {Continual Learning for Visual Search with Backward Consistent Feature Embedding},
author = {Timmy S. T. Wan and Jun-Cheng Chen and Tzer-Yi Wu and Chu-Song Chen},
journal= {arXiv preprint arXiv:2205.13384},
year = {2022}
}
备注
15 pages with supplementary material; accepted to CVPR 2022