基于增强图卷积网络的多标签持续学习
计算机视觉与模式识别
2022-11-29 v1 人工智能
摘要
多标签持续学习(MLCL)在顺序多标签图像识别数据流中构建类增量框架。MLCL的关键挑战在于在训练数据缺失过去与未来标签的部分标签上构建标签关系，以及对旧类的灾难性遗忘，导致泛化能力差。为解决这些问题，本研究提出增强图卷积网络(AGCN++)，其可在MLCL中构建跨任务标签关系并缓解灾难性遗忘。首先，我们构建跨所有已见类的增强相关矩阵(ACM)，其中任务内关系源自硬标签统计；而任务间关系利用来自数据与所构建专家网络的硬标签与软标签。然后，我们提出一种用于MLCL的新颖部分标签编码器(PLE)，其可提取每幅部分标签图像的动态类表示作为图节点，并帮助生成软标签以创建更可信的ACM并抑制遗忘。最后，为抑制跨旧任务的标签依赖遗忘，我们提出关系保持约束器以构建标签关系。类间拓扑可自动增强，这也产生有效的类表示。所提方法在两个多标签图像基准上评估。实验结果表明，所提方法对MLCL图像识别有效，且即使先前任务标签缺失也能构建跨任务的可信关联。
引用
@article{arxiv.2211.14763,
title = {Multi-Label Continual Learning using Augmented Graph Convolutional Network},
author = {Kaile Du and Fan Lyu and Linyan Li and Fuyuan Hu and Wei Feng and Fenglei Xu and Xuefeng Xi and Hanjing Cheng},
journal= {arXiv preprint arXiv:2211.14763},
year = {2022}
}