面向无样例类增量学习的任务自适应显著性引导
计算机视觉与模式识别
2024-03-28 v2
摘要
无样例类增量学习（EFCIL）旨在仅利用当前任务数据 sequentially 学习任务。EFCIL 备受关注，因为它缓解了对数据隐私与长期存储的担忧，同时减轻了增量学习中的灾难性遗忘问题。在本工作中，我们为 EFCIL 引入任务自适应显著性，并提出一个新框架，称为任务自适应显著性监督（TASS），以缓解不同任务间显著性漂移的负面影响。我们首先应用边界引导显著性来维持模型注意力的任务自适应性与\textit{可塑性}。此外，我们引入任务无关的低层信号作为辅助监督，以增加模型注意力的\textit{稳定性}。最后，我们引入一个用于注入与恢复显著性噪声的模块，以提升显著性保持的鲁棒性。我们的实验表明，该方法能更好地跨任务保持显著性图，并在 CIFAR-100、Tiny-ImageNet 和 ImageNet-Subset 的 EFCIL 基准上取得最先进结果。代码见 \url{https://github.com/scok30/tass}。
引用
@article{arxiv.2212.08251,
title = {Task-Adaptive Saliency Guidance for Exemplar-free Class Incremental Learning},
author = {Xialei Liu and Jiang-Tian Zhai and Andrew D. Bagdanov and Ke Li and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2212.08251},
year = {2024}
}
备注
Accepted at CVPR 2024