第 5 届 CLVision 挑战赛获奖方案
计算机视觉与模式识别
2024-06-25 v1
摘要
本文介绍了我们应用于第 5 届 CLVision 挑战赛的方法，介绍了该挑战赛所面临的独特挑战，超越了传统的类增量学习。不同于标准设置，该竞赛包括之前遇到的类的重复出现，以及可能包含离群分布 (OOD) 类别的无标签数据。我们的做法基于获胜子网络为每个任务分配独立的参数空间，以解决类增量学习中的灾难性遗忘问题，并采用三种训练策略：监督分类学习、无监督对比学习和伪标签分类学习，充分利用有标签和无标签数据中的信息，提高每个子网络的分类性能。此外，在推理阶段，我们设计了子网络之间的相互作用策略，其中特定样本的特定类的预测是对应该类的不同子网络平均 logits 的结果，利用从不同子网络对重复类的学习知识来提高分类准确率。这些策略可同时应用于该竞赛的三个场景，有效解决了竞赛情景中的难题。实验结果表明，我们的方法在预选和最终评估阶段均名列前茅，预选阶段平均准确率为 0.4535，最终评估阶段平均准确率为 0.4805。
引用
@article{arxiv.2406.16615,
title = {The Championship-Winning Solution for the 5th CLVISION Challenge 2024},
author = {Sishun Pan and Tingmin Li and Yang Yang},
journal= {arXiv preprint arXiv:2406.16615},
year = {2024}
}