探索迈向终身事实学习的挑战
计算机视觉与模式识别
2018-12-31 v1
摘要
迄今为止，终身学习主要在相对小规模且相对人为的设置下进行研究。在此，我们引入一种新的大规模替代方案。所提出的设置之所以更自然且更接近人类视觉系统，原因有三：首先，我们关注复杂程度各异的概念（或我们所称的事实），从单一物体到更复杂的结构，例如执行动作的物体以及与其他物体交互的物体。其次，如同真实世界设置，我们的设置具有长尾分布，这一方面在终身学习语境中大多被忽视。第三，跨任务的事实可能共享结构（例如 <person, riding, wave> 与 <dog, riding, wave>）。事实之间也可能存在语义关联（例如“liger”与“tiger”和“lion”等已见类别相关联）。鉴于可能的事实数量庞大，终身学习设置似乎是一种自然的选择。为避免模型规模随时间增长并最优地利用语义关系与结构，我们将其与视觉语义嵌入相结合，而非使用离散类标签。我们将具有上述性质的现有数据集改编为新基准，通过语义划分或随机划分将其分为不相交的任务。这产生了两个大规模基准，分别包含 906,232 张图像和 165,150 个唯一事实，我们在其上评估并分析了最先进的终身学习方法。
引用
@article{arxiv.1812.10524,
title = {Exploring the Challenges towards Lifelong Fact Learning},
author = {Mohamed Elhoseiny and Francesca Babiloni and Rahaf Aljundi and Marcus Rohrbach and Manohar Paluri and Tinne Tuytelaars},
journal= {arXiv preprint arXiv:1812.10524},
year = {2018}
}
备注
This work got published at ACCV 2018 as a main conference paper