RECALL：用于物体分类的无重演持续学习
计算机视觉与模式识别
2026-04-17 v1 人工智能
摘要
卷积神经网络在分类中表现出显著成果，但难以动态学习新事物。我们提出了一种新颖的无重演方法，深度神经网络持续学习新的未见物体类别，而无需保存任何先前序列的数据。我们的方法称为 RECALL，因为网络在训练新类别之前通过计算旧类别的 logits 来回忆类别。这些随后在训练中使用，以避免改变旧类别。对于每个新序列，添加一个新头以容纳新类别。为缓解遗忘，我们提出了一种正则化策略，将分类替换为回归。此外，对于已知类别，我们提出马氏距离损失（Mahalanobis loss），其包含方差以解释已知与未知类别间变化的密度。最后，我们提出了一个用于持续学习的新数据集，特别适用于移动机器人上的物体识别（HOWS-CL-25），包含 25 个家庭物体类别的 150,795 张合成图像。我们的方法 RECALL 在 CORe50 和 iCIFAR-100 上优于当前最先进水平（SOTA），并在 HOWS-CL-25 上达到最佳性能。
引用
@article{arxiv.2209.14774,
title = {RECALL: Rehearsal-free Continual Learning for Object Classification},
author = {Markus Knauer and Maximilian Denninger and Rudolph Triebel},
journal= {arXiv preprint arXiv:2209.14774},
year = {2026}
}
备注
Accepted as contributed paper at the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022)