.png){kind=icon}
返回
Dile: a distribution-based incremental learning approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01552-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像分类随着深度学习的到来而蓬勃发展。然而，学习到的模型大多是静态的（无法处理新类别），需要大量图像和长时间训练；并且，通常严重依赖定义类别并提供标记训练数据的用户。最近，通过消除在获得新类别数据时重新训练模型的必要性，类增量学习获得了广泛关注。大多数增量系统知道何时给出新类别，并专注于在它们可用时保持其全局性能不下降。在本文中，我们描述了DILE，一种基于嵌入特征分布及其使用Fréchet距离进行比较的增量学习者。DILE通过使用这些特征向量的统计量，每类使用有限的内存。我们还引入了一种增量树状表示，随着系统知道更多类别而逐渐构建，并且能够在将语义上更接近的类别放置在树的同一分支的同时，显著减少分类时间。我们在多个数据集上测试了所提出的方法，其性能与当前最先进的系统相比具有极强的竞争力。此外，我们还进行了额外实验，以观察DILE如何能够针对每类单个图像工作，并自动从互联网获取额外数据，以及当不知道示例来自已知或未知类别时，DILE能够工作得如何。
Keyword:
Incremental learning
Distribution-based classifier
Fréchet distance
Continual learning
期刊
IF:
2
论文数:
2.0K
被引数:
1.9K
机构
引用论文
Continual learning for robotics: Definition, framework, learning strategies, opportunities and challenges机器人持续学习: 定义、框架、学习策略、机遇与挑战.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
A comprehensive study of class incremental learning algorithms for visual tasksNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容