iNeMo：用于稳健类增量学习的递增神经网格模型
计算机视觉与模式识别
2024-08-20 v2 机器学习
摘要
与人类天性不同，当今视觉任务中仍常采用仅在初始阶段训练深度学习模型且仅使用固定数据集的做法。近期已有多种方法致力于处理连续数据流，但将这些方法扩展到处理外部分布（out-of-distribution, OOD）场景的研究仍显不足。另一方面，近期研究表明，非增量神经网格模型在泛化至此类 OOD 场景方面表现突出。为充分利用这一关键优势，本文提出了可随时间扩展新网格的递增神经网格模型。此外，我们提出了一种潜在空间初始化策略，使我们能提前为未来不可见类别分配特征空间；并引入一种位置正则化项，强制不同类别的特征在各自潜在空间区域中保持一致。我们通过在 Pascal3D 和 ObjectNet3D 数据集上的大量实验，证明了我们方法的有效性，显示在域内分类任务中优于基线方法 2%-6%，在 OOD 设置下优于基线方法 6%-50%。我们的工作还首次提出了用于姿态估计的增量学习方法。我们的代码和模型可在 https://github.com/Fischer-Tom/iNeMo 查看。
引用
@article{arxiv.2407.09271,
title = {iNeMo: Incremental Neural Mesh Models for Robust Class-Incremental Learning},
author = {Tom Fischer and Yaoyao Liu and Artur Jesslen and Noor Ahmed and Prakhar Kaushik and Angtian Wang and Alan Yuille and Adam Kortylewski and Eddy Ilg},
journal= {arXiv preprint arXiv:2407.09271},
year = {2024}
}
备注
ECCV-24