轻微偏移新类以记忆旧类：面向视频类增量学习
计算机视觉与模式识别
2024-04-02 v1
摘要
近来的视频类增量学习通常过度追求新见类的准确率，并依赖记忆集来缓解旧类的灾难性遗忘。然而，有限的存储容量仅允许保存少量代表性视频。因此我们提出了 SNRO，通过轻微偏移新类特征来记忆旧类。具体而言，SNRO 包含稀疏样本和提前终止。ES 以较低的采样率进行抽样以构建记忆集，并使用插值在未来对齐这些稀疏帧。借此，SNRO 在相同内存消耗下存储了更多样本，并迫使模型关注更难被遗忘的低语义特征。EB 在较小的 epoch 终止训练，防止模型过度延伸至当前任务的高语义空间。在 UCF101、HMDB51 和 UESTC-MMEA-CL 数据集上的实验表明，SNRO 在消耗相同内存的情况下优于其他方法。
引用
@article{arxiv.2404.00901,
title = {Slightly Shift New Classes to Remember Old Classes for Video Class-Incremental Learning},
author = {Jian Jiao and Yu Dai and Hefei Mei and Heqian Qiu and Chuanyang Gong and Shiyuan Tang and Xinpeng Hao and Hongliang Li},
journal= {arXiv preprint arXiv:2404.00901},
year = {2024}
}