FeTrIL++：结合爬山法的无样本类增量学习特征平移
计算机视觉与模式识别
2024-03-13 v1
摘要
无样本类增量学习（EFCIL）提出了重大挑战，主要是由于灾难性遗忘，需要在稳定性和可塑性之间取得微妙平衡，以准确识别新类和旧类。传统的 EFCIL 方法通常倾向于通过连续微调来实现模型可塑性，或者通过在初始增量状态之后采用固定的特征提取器来实现稳定性。在基础 FeTrIL 框架之上，我们的研究扩展到新的实验领域，以检验各种过采样技术和动态优化策略在多个具有挑战性的数据集和增量设置下的有效性。我们具体探讨了过采样如何相对于特征可用性影响准确率，以及不同的优化方法（包括动态重新校准和特征池多样化）如何影响增量学习结果。在 CIFAR100、Tiny-ImageNet 和 ImageNet-Subset 上进行的这些综合实验的结果强调，FeTrIL 在平衡新类和旧类的准确率方面优于十种当代方法。值得注意的是，我们的扩展揭示了过采样和优化对 EFCIL 的细微影响，有助于更深入地理解类增量学习的特征空间操作。本文中的 FeTrIL 及其扩展分析 FeTrIL++ 为更灵活高效的 EFCIL 方法铺平了道路，有望在不需样本的情况下显著改善对灾难性遗忘的处理。
引用
@article{arxiv.2403.07406,
title = {FeTrIL++: Feature Translation for Exemplar-Free Class-Incremental Learning with Hill-Climbing},
author = {Eduard Hogea and Adrian Popescu and Darian Onchis and Grégoire Petit},
journal= {arXiv preprint arXiv:2403.07406},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2211.13131