ICCVAug, 2021

视觉食品分类的在线连续学习

PDF
TL;DR本文介绍了一种新的基于聚类的样本选择算法，以存储每个已学食品的最具代表性数据，并借助平衡训练批次和知识蒸馏对增强样本进行有效的在线学习，以在所有已学类别上维护模型性能。在大规模食品图像数据库 Food-1K 上进行验证，表明该方法在实现食品图像分类的终身学习方面具有巨大潜力。
food image classificationonline continual learningclustering-based exemplar selectionbalanced training batchknowledge distillation
发现论文，激发创造
  • 通过压缩样本增量学习对新食物进行分类

    食物图像分类系统在通过基于图像的膳食评估技术进行健康监测和饮食跟踪中起到了至关重要的作用。我们的工作探索了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的概念，以此应对持续演变的数据，并在食品特定数据集和一般数据集上的广泛实验中展示了分类准确性方面的提高，这对于推进更具实用性的食物识别系统具有重要意义，同时可适用于其他领域的持续机器学习系统。

    Apr, 2024

  • 视觉食品识别的长尾连续学习

    该论文提出了一种基于深度学习的食物识别框架，通过知识蒸馏技术和数据增强手段，解决了在长尾场景下出现的知识遗忘和数据不平衡的问题，并在多个数据集上得到了优异的性能表现。

    Jul, 2023

  • 自然分布偏移下的在线持续学习：基于视觉数据的实证研究

    该研究论文提出一种新的基于连续数据流的在线不断学习方法，并建立了一个大规模的在线视觉学习基准测试，研究了梯度下降优化在不断学习中的关键未被观察到的现象，并提出有效的策略来改进深度学习模型的性能。

    Aug, 2021

  • 在线持续学习的综合实证评估

    在线持续学习在不断变化的数据流中直接学习，并存储来自该流中的最少量数据，本文通过对国内外文献中解决在线持续学习问题的方法进行实证评估，重点关注图像分类中的增量类别设置，通过比较在 Split-CIFAR100 和 Split-TinyImagenet 数据集上的平均准确率、遗忘性、稳定性和表示质量的指标，发现大多数方法都存在稳定性和欠拟合问题，但所学习的表示与相同计算预算下的独立同分布训练相当。同时发现基本的经验回放方法，经过适当调整和实施，是一种非常强大的基准方法。我们在 avalanche 框架上发布了我们的模块化和可扩展的代码库来复现我们的结果，并鼓励未来的研究。

    Aug, 2023

  • 在线持续学习在图像分类中的实证研究

    该研究论述了在线持续学习图像分类问题，其中的任务可能包括新类别或数据非稳态。因为不同的实验设置以及不同的任务类别可能需要不同的方法，作者系统地比较了现有的 MIR，iCARL 和 GDumb 等方法，并评估了七个方法，以了解简单而有效的技巧对性能的影响，最终得出了 MIR 是一种强大而通用的在线持续学习方法。

    Jan, 2021

  • 在线情境下的增量学习

    该论文提出了一种增量学习框架，针对在线学习场景下的两个主要障碍，即新类的学习和旧类的新观测值的变化。通过引入修改的交叉蒸馏损失和两步学习技术来解决问题（1），并提供通过更新范例集合减轻问题（2）的简单而有效的方法，并在基于 Food-101 数据集的在线食品图像分类的真实应用中展示了该方法的性能。

    Mar, 2020

  • 自我监督训练增强在线连续学习

    本论文主要研究使用自监督预训练在图像分类任务上进行在线渐进学习的方法，发现相较于有监督的预训练，利用自监督预训练可以得到更好的特征表征，且采样数量较少时优势更为明显。在三种在线渐进学习算法中，自监督预训练在 ImageNet 数据集上取得了较有竞争力的实验效果，相对于之前的基于在线渐进学习的图像分类方法有了较大的提升。

    Mar, 2021

  • 终身流浪：一种逼真的少样本在线持续学习环境

    本文探讨了在线小样本学习在多个室内环境中物体分类的应用。研究发现，存在着灾难性遗忘和在线性能之间的平衡问题，提出了未来改进的方向。

    Jun, 2022

  • 利用旧知识持续学习医学图像中的新类别

    本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

    Mar, 2023

  • 一种多标签连续学习框架，以扩展深度学习方法以进行包装设备监控

    本研究提出了一种高效的方法，用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题，并能够在 Class Incremental Learning 场景下应用，实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。

    Aug, 2022