Sudhanshu Mittal Silvio Galesso Thomas Brox
University of Freiburg, Germany
引言部分作者介绍了类别增量学习问题(CIL)算法的三个重要组成
(1)memory buffer用于存储旧数据集的exemplars;
(2)forgetting constraint用于减轻遗忘保存旧知识;
(3)learning system用于平衡新旧类别
作者指出基于贪婪平衡采样的方法(greedy balance sampler-based apporch,简称GDumb)可以很好解决除了类别增量学习以外的问题,但是在类别增量学习上表现不佳,因此提出互补理论。
此外作者发现过拟合的程度影响了遗忘的水平,对于防止过拟合的正则化技术,如果可以保存"secondary class information"或者说"dark konwledge"的可以更好提升增量学习能力。
评价CIL模型优劣使用以下三个指标:
针对Related Work中的CIL问题的三个组成的详细方法:
针对选取Exemplar的问题,作者限制memory buffer大小固定为K,根据类别数量t,每个类别的exemplar的张数m = K / t,类别t增加m则减小,选取exemplar的标准是看图片的特征向量与当前的模型 θ s \theta_s θs预测该类别的平均特征向量的距离,距离远的会被优先丢弃。
针对Forgetting Constraint的问题,使用知识蒸馏损失和交叉熵损失。
针对Learning System的问题,在训练的过程前会冻结特征提取层 θ ^ s \hat{\theta}_s θ^s备用用于知识蒸馏损失计算,分别对新增数据集 X t X_t Xt和exemplar集 P P P进行预测,预测结果output按照就类和新类被拆分,分别计算四个Loss。
(1) L X C E L_X^{CE} LXCE:新增数据集新类的交叉熵损失。
(2) L X K D L_X^{KD} LXKD:新增数据集旧类的知识蒸馏损失。
(3) L P C E L_P^{CE} LPCE:Exemplar中所有类的交叉熵损失。
(4) L P K D L_P^{KD} LPKD:Exemplar中中旧类的知识蒸馏损失。
该方法流程是这样的,用老模型预测新数据集结果并获取Exemplar set(模型0应该是在之后)-> 模型修改Fc层后预测新数据集一个batch的图片,获取的output分别只在新类中进行softmax并获取交叉熵损失,老类中进行softmax获取知识蒸馏损失(把冻结的老模型的预测输出结果作为ground truth) -> exemplar set中对所有类求交叉熵损失,对老类求知识蒸馏损失 ->最后加权相加
传统方法是这样的,用新模型预测新数据集结果后获取Exemplar set,也就是说CCIL方法在预测新模型之前就获得了Exemplar set,其中既有老类图片也有新类图片,传统方法只可能有老类图片 -> Exemplar set和新类混合算出所有类的交叉熵损失 -> 在X和P上老类的知识蒸馏损失与CCIL方法相同。
比较来看的主要特点是提前获得新类的Exemplar set因此对于所有类的交叉熵损失的计算只含有Exemplar set、没有混合数据集而是求新数据集的新类交叉熵损失 L X n e w L_{X}^{new} LXnew
作者的逻辑是把任务分为intra-task和inter-task。在新数据集X上求损失就是intra-task的功能,作者认为不需要旧类数据可以减小偏差的产生,我理解是新数据集肯定比exemplar set大不少的,混合起来会造成对新类的偏差,但是如果只预测新类,反而会降低这种偏差?(还是不太理解)
对于P上求的损失就是inter-task的功能,因为P里包含了新旧的所有类。作者发现即使P很小,模型也能捕获新旧任务之间的关系。
Transfer Learning(迁移学习)问题,作者认为直觉上当迁移学习能力较差的时候,训练集数据分布的改变对旧知识的伤害更大,这里作者选择使用降低学习率 的方法来缓解这种情况。可以理解为当一个人不会举一反三,那么当他面对“反三”中的新问题,努力啃下去的结果就是对之前任务的遗忘(修改了大量参数),所以迁移学习的能力也表达出一种“联想”的能力,而联想也是克服遗忘的重要手段。
针对上面迁移学习的问题,作者希望找到鲁棒性强的特征代表,作者具体研究了“过拟合”和“信息丢失”对增量学习的影响。作者发现可以提升“次要信息”的正则化方法可以有效对抗遗忘。
对于“次要信息的问题”,作者利用CIFAR100将相似的类组合成的一个"superclass"的相关度量来代表次要信息,直觉上次要信息保留得越多,那么对于相似的类识别效果越好(举一反三)
具体的度量方法如下两点:
既然过拟合会导致次要信息的丢失,那么对抗过拟合的正则化方法能不能提升增量学习能力呢?作者接下来尝试了四种正则化方法:
作者发现自蒸馏和图像增强的方法可以提升次要信息,提高平均准确率、减小遗忘率、提高特征保存能力。而标签平滑和Mixup则是有害的。作者认为标签平滑导致表征偏向于每个类的形心并保持每个类形心之间的距离是相等的,这牺牲了类之间的关系;而MIxup则人为强制定义了类之间的距离,导致了相同的结果。
作者使用三个数据集进行实验:Cifar100、ImgeNet-100 datasets (using Numpy seed:1993)、完整的ImageNet dataset
对于前两者,作者设定模型为Resnet-34,初始学习50个类别,之后按照5/10个类别进行增量学习,memory buffer设定为2k
对于完整的ImageNet,作者设定设定模型为Resnet-18,初始学习500个类别,之后按照5/10个类别进行增量学习,memory buffer设定为20k
在消解实验中,作者设置了使用知识蒸馏和不使用知识蒸馏两组,发现separate softmax(sep)和降低学习率都可以减小新旧模型的权重的L2范数差异,而且两者共用效果最好。
之后作者对Baseline-iCaRl进行补充,增加了最后一层的的cos正则化和adaptive weighting,(AW,随着学习类数的增加,知识蒸馏损失的权重越来越大)进行比较后发现CCIL比Baseline有卓越提升。
在和SOTA的比较中,CCIL也是平均准确率表现最好的。
文章浏览阅读1k次。1、HTML5 Web SQL 数据库 Web SQL 数据库 API 并不是 HTML5 规范的一部分,但是它是一个独立的规范,引入了一组使用 SQL 操作客户端数据库的 APIs。如果你是一个 Web 后端程序员,应该很容易理解 SQL 的操作。Web SQL 数据库可以在最新版的 Safari, Chrome 和 Opera 浏览器中工作。2、核心方法 以下是规范中定义的三个_方式准则的定义
文章浏览阅读4.1k次,点赞2次,收藏6次。spring Boot 中使用线程池异步执行多个定时任务在启动类中添加注解@EnableScheduling配置自定义线程池在启动类中添加注解@EnableScheduling第一步添加注解,这样才会使定时任务启动配置自定义线程池@Configurationpublic class ScheduleConfiguration implements SchedulingConfigurer..._springboot启动后自动开启多个线程程序
文章浏览阅读1.1k次。在项目的target文件夹下把之前"mvn clean package"生成的压缩包(我的是jar包)删掉重新执行"mvn clean package"再执行"mvn clean install"即可_mvn clean install有errors
文章浏览阅读974次。Navicat连接mysql数据库时,不断报1405错误,下面是针对这个的解决办法:MySQL服务器正在运行,停止它。如果是作为Windows服务运行的服务器,进入计算机管理--->服务和应用程序------>服务。如果服务器不是作为服务而运行的,可能需要使用任务管理器来强制停止它。创建1个文本文件(此处命名为mysql-init.txt),并将下述命令置于单一行中:SET PASSW..._nvarchar链接不上数据库
文章浏览阅读2.2k次。Python的requests模块是一个常用的HTTP库,用于发送HTTP请求和处理响应。_python requests 参数
文章浏览阅读2.7w次,点赞7次,收藏50次。APT攻击APT攻击是近几年来出现的一种高级攻击,具有难检测、持续时间长和攻击目标明确等特征。本文中,整理了近年来比较典型的几个APT攻击,并其攻击过程做了分析(为了加深自己对APT攻击的理解和学习)Google极光攻击2010年的Google Aurora(极光)攻击是一个十分著名的APT攻击。Google的一名雇员点击即时消息中的一条恶意链接,引发了一系列事件导致这个搜_2010谷歌网络被极光黑客攻击
文章浏览阅读1.1k次。JS代码 /** * 生命周期函数--监听页面加载 */ onLoad: function (options) { setTimeout( function(){ wx.showToast({ title: '黄菊华老师', }) },2000 ) },说明该代码只执行一次..._微信小程序 settimeout 向上层传值
文章浏览阅读48次。uploadify2.1.4如何能使按钮显示中文博客分类:uploadify网上关于这段话的搜索恐怕是太多了。方法多也试过了不知怎么,反正不行。最终自己想办法给解决了。当然首先还是要有fla源码。直接去管网就可以下载。[url]http://www.uploadify.com/wp-content/uploads/uploadify-v2.1.4...
文章浏览阅读9.6k次,点赞5次,收藏36次。戴尔服务器安装VMware ESXI6.7.0教程(U盘安装)一、前期准备1、下载镜像下载esxi6.7镜像:VMware-VMvisor-Installer-6.7.0-8169922.x86_64.iso这里推荐到戴尔官网下载,Baidu搜索“戴尔驱动下载”,选择进入官网,根据提示输入服务器型号搜索适用于该型号服务器的所有驱动下一步选择具体类型的驱动选择一项下载即可待下载完成后打开软碟通(UItraISO),在“文件”选项中打开刚才下载好的镜像文件然后选择启动_vmware-vcsa-all-6.7.0-8169922.iso
文章浏览阅读2k次。百度语音技术永久免费的语音自动转字幕介绍基于百度语音技术,识别率97%无时长限制,无文件大小限制永久免费,简单,易用,速度快支持中文,英文,粤语永久免费的语音转字幕网站: http://thinktothings.com视频介绍 https://www.bilibili.com/video/av42750807 ...
文章浏览阅读7.6k次,点赞2次,收藏9次。Instrumentation是一种直接修改程序二进制文件的方法。其可以用于程序的调试,优化,安全等等。对这个词一般的翻译是“插桩”,但这更多使用于软件测试领域。【找一些相关的例子】Dyninst可以动态或静态的修改程序的二进制代码。动态修改是在目标进程运行时插入代码(dynamic binary instrumentation)。静态修改则是直接向二进制文件插入代码(static b_dyninst
文章浏览阅读2.9k次。部署asp网站到云服务器 内容精选换一换通常情况下,需要结合客户的实际业务环境和具体需求进行业务改造评估,建议您进行服务咨询。这里仅描述一些通用的策略供您参考,主要分如下几方面进行考虑:业务迁移不管您的业务是否已经上线华为云,业务迁移的策略是一致的。建议您将时延敏感型,有快速批量就近部署需求的业务迁移至IEC;保留数据量大,且需要长期稳定运行的业务在中心云上。迁移方法请参见如何计算隔离独享计算资源..._nas asp网站