FeTrIL：用于无 exemplar 类增量学习的特征平移方法
计算机视觉与模式识别
2023-11-29 v2 人工智能
机器学习
摘要
无 exemplar 类增量学习因灾难性遗忘的负面影响而极具挑战性。为了对过去及新类均获得良好准确率，需要增量过程的稳定性与可塑性之间的平衡。现有无 exemplar 类增量方法要么侧重于模型的连续微调（从而偏向可塑性），要么使用在初始增量状态后固定的特征提取器（从而偏向稳定性）。我们引入一种结合固定特征提取器与伪特征生成器的方法，以改善稳定性-可塑性平衡。该生成器利用对新类特征的简单而有效的几何平移来创建由伪特征构成的过去类表示。特征平移仅需存储过去类的质心表示即可生成其伪特征。新类的实际特征与过去类的伪特征被输入一个线性分类器，该分类器以增量方式训练以区分所有类。与更新整个深度模型的主流方法相比，所提方法的增量过程快得多。实验在三个具挑战性数据集及不同增量设置下进行。与十种现有方法的比较表明，我们的方法在大多数情况下优于其他方法。
引用
@article{arxiv.2211.13131,
title = {FeTrIL: Feature Translation for Exemplar-Free Class-Incremental Learning},
author = {Grégoire Petit and Adrian Popescu and Hugo Schindler and David Picard and Bertrand Delezoide},
journal= {arXiv preprint arXiv:2211.13131},
year = {2023}
}