論文の概要: Adaptive Aggregation Networks for Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2010.05063v3
- Date: Mon, 29 Mar 2021 22:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 22:36:17.471153
- Title: Adaptive Aggregation Networks for Class-Incremental Learning
- Title(参考訳): クラス増分学習のための適応集約ネットワーク
- Authors: Yaoyao Liu, Bernt Schiele, Qianru Sun
- Abstract要約: CIL(Class-Incremental Learning)は,段階別クラス数の増加にともなう分類モデルを学習することを目的としている。
CILの固有の問題は、古いクラスと新しいクラスの学習の間の安定性-塑性ジレンマである。
- 参考スコア(独自算出の注目度): 102.20140790771265
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Class-Incremental Learning (CIL) aims to learn a classification model with
the number of classes increasing phase-by-phase. An inherent problem in CIL is
the stability-plasticity dilemma between the learning of old and new classes,
i.e., high-plasticity models easily forget old classes, but high-stability
models are weak to learn new classes. We alleviate this issue by proposing a
novel network architecture called Adaptive Aggregation Networks (AANets), in
which we explicitly build two types of residual blocks at each residual level
(taking ResNet as the baseline architecture): a stable block and a plastic
block. We aggregate the output feature maps from these two blocks and then feed
the results to the next-level blocks. We adapt the aggregation weights in order
to balance these two types of blocks, i.e., to balance stability and
plasticity, dynamically. We conduct extensive experiments on three CIL
benchmarks: CIFAR-100, ImageNet-Subset, and ImageNet, and show that many
existing CIL methods can be straightforwardly incorporated into the
architecture of AANets to boost their performances.
- Abstract(参考訳): CIL(Class-Incremental Learning)は,段階別クラス数の増加による分類モデルを学習することを目的としている。
CILの固有の問題は、古いクラスと新しいクラスの学習の間の安定性-塑性ジレンマ、すなわち、高可塑性モデルは古いクラスを忘れやすいが、高安定性モデルは新しいクラスを学ぶのに弱いことである。
この問題を緩和するために、Adaptive Aggregation Networks (AANets)と呼ばれる新しいネットワークアーキテクチャを提案し、各残余レベルで2種類の残留ブロックを明示的に構築する(ResNetをベースラインアーキテクチャとする)。
これら2つのブロックから出力された特徴マップを集約し、その結果を次のブロックに供給します。
これら2種類のブロック,すなわち安定性と塑性のバランスをとるために,凝集重量を動的に調整する。
CIFAR-100、ImageNet-Subset、ImageNetの3つのCILベンチマークで広範な実験を行い、既存のCILメソッドの多くをAANetsのアーキテクチャに組み込んでパフォーマンスを向上させることができることを示す。
関連論文リスト
- CEAT: Continual Expansion and Absorption Transformer for Non-Exemplar
Class-Incremental Learning [34.59310641291726]
現実のアプリケーションでは、動的シナリオは、古い知識を忘れずに新しいタスクを継続的に学習する能力を持つ必要がある。
連続膨張吸収変圧器(CEAT)という新しいアーキテクチャを提案する。
このモデルは、凍結した前のパラメータと平行に拡散層を拡張することで、新しい知識を学ぶことができる。
モデルの学習能力を向上させるために,特徴空間における古クラスと新クラスの重複を低減するために,新しいプロトタイプを設計した。
論文 参考訳(メタデータ) (2024-03-11T12:40:12Z) - PlaStIL: Plastic and Stable Memory-Free Class-Incremental Learning [49.0417577439298]
過去の知識を保ちながら新しいデータから学ぶためには、クラス増分学習において塑性と安定性が必要である。
そこで本稿では, 可塑性と安定性のバランスを良くするために, パラメータ数に類似する手法を提案する。
論文 参考訳(メタデータ) (2022-09-14T12:53:00Z) - FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。
本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
論文 参考訳(メタデータ) (2022-04-10T11:38:33Z) - Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。
古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。
我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2022-03-31T13:46:41Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳(メタデータ) (2021-11-18T06:58:19Z) - Few-Shot Class-Incremental Learning [68.75462849428196]
本稿では,FSCIL問題に焦点をあてる。
FSCIL は CNN モデルに対して,学習済みのクラスを忘れることなく,ラベル付きサンプルのごく少数から新たなクラスを漸進的に学習することを求めている。
我々は,異なるクラスで形成される特徴多様体のトポロジーを学習し,保存するニューラルネットワーク(NG)ネットワークを用いて,知識を表現する。
論文 参考訳(メタデータ) (2020-04-23T03:38:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。