面向多标签类增量学习的知识恢复与迁移方法
计算机视觉与模式识别
2023-08-15 v3
摘要
当前的类增量学习研究主要聚焦于单标签分类任务,而具有更实际应用场景的多标签类增量学习(MLCIL)却鲜有研究。尽管已有许多抗遗忘方法用于解决类增量学习中的灾难性遗忘问题,但由于标签缺失与信息稀释,这些方法难以解决 MLCIL 问题。本文提出一种用于 MLCIL 的知识恢复与迁移(KRT)框架,其包含动态伪标签(DPL)模块以恢复旧类知识,以及增量交叉注意力(ICA)模块以保存特定阶段的知识并充分将旧类知识迁移至新模型。此外,我们提出一种 token loss 以联合优化增量交叉注意力模块。在 MS-COCO 与 PASCAL VOC 数据集上的实验结果证明了我们的方法在提升多标签类增量学习任务识别性能与缓解遗忘方面的有效性。
引用
@article{arxiv.2302.13334,
title = {Knowledge Restore and Transfer for Multi-label Class-Incremental Learning},
author = {Songlin Dong and Haoyu Luo and Yuhang He and Xing Wei and Yihong Gong},
journal= {arXiv preprint arXiv:2302.13334},
year = {2023}
}