面向未来的类增量学习
机器学习
2025-02-28 v2 计算机视觉与模式识别
摘要
无样本类增量学习是一个极具挑战性的设定，其中回放记忆不可用。在该设定下，依赖冻结特征提取器的方法因其出色的性能和较低的计算成本而备受关注。然而，这些方法高度依赖于用于训练特征提取器的数据，并且当在第一个增量步骤中可用类别数量不足时可能会遇到困难。为了克服这一局限性，我们提出使用预训练的文本到图像扩散模型来生成未来类别的合成图像，并使用它们来训练特征提取器。在标准基准 CIFAR100 和 ImageNet-Subset 上的实验表明，我们提出的方法可用于改进无样本类增量学习的 SOTA 方法，尤其是在第一个增量步骤仅包含少量类别的最困难设定中。此外，我们表明，使用未来类别的合成样本比使用来自不同类别的真实数据能获得更高的性能，为更好且成本更低的增量学习预训练方法铺平了道路。
引用
@article{arxiv.2404.03200,
title = {Future-Proofing Class-Incremental Learning},
author = {Quentin Jodelet and Xin Liu and Yin Jun Phua and Tsuyoshi Murata},
journal= {arXiv preprint arXiv:2404.03200},
year = {2025}
}
备注
The version of record of this article, first published in "Machine Vision and Applications", is available online at Publisher's website: https://doi.org/10.1007/s00138-024-01635-y