用于类增量学习的DILF-EN框架

在类增量学习设定下，深度学习模型在训练新阶段引入的类别时，会遭受对旧阶段类别的灾难性遗忘。本工作中，我们表明灾难性遗忘对模型预测的影响随同一图像取向的变化而改变，这是一项新发现。基于此，我们提出了一种新颖的数据集成方法，该方法结合图像不同取向的预测，以帮助模型保留关于先前所见类别的更多信息，从而减轻遗忘对模型预测的影响。然而，若模型使用传统技术训练，则无法直接采用该数据集成方法。因此，我们还提出了一种新颖的双增量学习框架，其涉及以两个增量学习目标联合训练网络，即类增量学习目标和我们提出的数据增量学习目标。在双增量学习框架中，每幅图像属于两个类别，即图像类别（用于类增量学习）和取向类别（用于数据增量学习）。在类增量学习中，每个新阶段引入一组新类别，且模型无法访问旧阶段的完整训练数据。在我们提出的数据增量学习中，取向类别在所有阶段保持不变，且类增量学习中新阶段引入的数据充当这些取向类别的新训练数据。我们凭经验证明双增量学习框架对数据集成方法至关重要。我们将所提方法应用于最先进的类增量学习方法，并凭经验表明我们的框架显著提升了这些方法的性能。