迈向无样本半监督类增量学习
计算机视觉与模式识别
2024-03-28 v1
摘要
深度神经网络在封闭世界场景中表现优异。然而，在实际应用中新类别不断涌现，使得增量学习成为必要。类增量学习（CIL）旨在逐步识别新类别，同时保持对旧类别的判别能力。现有的 CIL 方法存在两个局限性：严重依赖保留旧数据以缓解遗忘，以及需要大量标记数据以进行知识适应。为了克服这些问题，我们提出了一种结合对比学习和半监督增量原型分类器（Semi-IPC）的无样本半监督 CIL 框架。一方面，对比学习帮助模型学习丰富的表示，缓解了学习新类表示与遗忘旧类表示之间的权衡。另一方面，Semi-IPC 通过无监督正则化为每个类学习一个原型，使模型能够从部分标记的新数据中增量学习，同时保持旧类知识。在基准数据集上的实验表明了我们方法的强劲性能：在不存储任何旧样本且仅使用不到 1% 标签的情况下，Semi-IPC 优于先进的基于样本的方法。我们希望我们的工作为未来的 CIL 研究提供新见解。代码将公开发布。
引用
@article{arxiv.2403.18291,
title = {Towards Non-Exemplar Semi-Supervised Class-Incremental Learning},
author = {Wenzhuo Liu and Fei Zhu and Cheng-Lin Liu},
journal= {arXiv preprint arXiv:2403.18291},
year = {2024}
}