SATHUR：面向广义类增量学习的自增强任务幻觉统一表征
计算机视觉与模式识别
2023-12-01 v1
摘要
类增量学习(CIL)受人类学习新类而不遗忘旧类能力的启发。当每个增量步骤中的样本不平衡时，CIL在真实场景中也变得更具挑战性。这催生了另一分支问题，称为广义类增量学习(GCIL)，其中每个增量步骤的结构更贴近现实。按需生长(GWR)网络，一种自组织映射(SOM)，动态创建和移除节点与边以实现自适应学习。GWR从由卷积神经网络(CNN)提取的特征向量进行增量学习，CNN充当特征提取器。GWR在特征向量空间中形成 distinct 聚类（每个对应一个类）的固有能力，无论样本顺序或类不平衡如何，非常适合于实现GCIL。为提升GWR的分类性能，需要高质量特征提取器。然而，当卷积层在每个增量步骤中被调整时，对应于先验知识的GWR节点近乎失效。本工作引入自增强任务幻觉统一表征(SATHUR)，其在每个增量步骤重新初始化GWR网络，使其与当前特征提取器对齐。综合实验结果表明，我们提出的方法在CIFAR-100和CORe50数据集上显著优于其他最先进的GCIL方法。
引用
@article{arxiv.2311.18630,
title = {SATHUR: Self Augmenting Task Hallucinal Unified Representation for Generalized Class Incremental Learning},
author = {Sathursan Kanagarajah and Thanuja Ambegoda and Ranga Rodrigo},
journal= {arXiv preprint arXiv:2311.18630},
year = {2023}
}
备注
8 pages, 5 figures, ICCVW 2023