Move-to-Data：一种基于深度CNN的持续学习新方法及其在图像分类识别中的应用
机器学习
2020-06-15 v1 计算机视觉与模式识别
神经与进化计算
图像与视频处理
摘要
在监督学习方法应用的许多实际任务中，并非所有训练数据都能同时获得。例如终身图像分类、仪器化个体与环境交互时的环境物体识别、用更多图像丰富在线数据库等。需要在“训练记录阶段”对模型进行预训练，然后针对新到来的数据进行调整。这正是增量/持续学习方法所要解决的任务。在这些方法需解决的不同问题中（如在模型中引入新类别、将现有类别细分为子类别并在其上扩展训练好的分类器等），我们聚焦于利用现有类别的新增训练数据来调整预训练模型的问题。我们在神经网络末端提出了一个快速的持续学习层。所得结果在开源CIFAR基准数据集上进行了说明。所提方案取得了与重新训练相似的性能，但计算成本大幅降低。
引用
@article{arxiv.2006.07152,
title = {Move-to-Data: A new Continual Learning approach with Deep CNNs, Application for image-class recognition},
author = {Miltiadis Poursanidis and Jenny Benois-Pineau and Akka Zemmari and Boris Mansenca and Aymar de Rugy},
journal= {arXiv preprint arXiv:2006.07152},
year = {2020}
}