iLGaCo：步态协变量因子的增量学习
计算机视觉与模式识别
2020-09-01 v1 人工智能
摘要
步态是一种基于行走方式识别人群的流行生物特征模式。传统上，基于深度学习的步态识别方法使用整个训练数据集进行训练。事实上，若需纳入新数据（类别、视角、行走条件等），有必要用旧与新数据样本重新训练模型。本文中，我们提出iLGaCo，首个针对步态识别的协变量因子增量学习方法，其中深度模型可通过新信息更新而无需使用整个数据集从头重训。相反，我们的方法以新数据与一小部分先前样本执行更短的训练过程。以此方式，我们的模型在学习新信息的同时保留先前知识。我们在CASIA-B数据集上以两种增量方式评估iLGaCo：添加新视角与添加新行走条件。两种情况下，我们的结果均接近经典的“从头训练”方法，准确率仅边际下降0.2%至1.2%，显示了我们方法的有效性。此外，iLGaCo与其他增量学习方法（如LwF与iCarl）的比较显示准确率显著提升，依实验不同介于6%至15%之间。
引用
@article{arxiv.2008.13507,
title = {iLGaCo: Incremental Learning of Gait Covariate Factors},
author = {Zihao Mu and Francisco M. Castro and Manuel J. Marin-Jimenez and Nicolas Guil and Yan-ran Li and Shiqi Yu},
journal= {arXiv preprint arXiv:2008.13507},
year = {2020}
}
备注
Accepted for presentation at IJCB'2020