关键词:
持续学习
灾难性遗忘
对比学习
决策边界
摘要:
针对在线持续学习于图像分类中既要适应新数据,又要减轻灾难性遗忘这一问题,基于重放的方法在减轻在线持续学习的灾难性遗忘方面展现出了优良性能。然而,此类方法中的大多数模型往往更倾向于学习与对象无关的解决方案,这些方案难以泛化且易于遗忘,因此,学习最能够代表类别的特征对于解决灾难性遗忘问题显得极为关键。基于此,提出加强决策边界与自监督的在线持续学习方法。首先,该方法通过加强新类之间的决策边界,帮助模型更好地进行任务的分类。其次,使用了一种融合的自监督学习方法,帮助模型更好地学习每个类的代表特征。通过与主流在线持续学习算法在公开数据集CIFAR-10和CIFAR-100上的实验对比,当内存库M为100时,该方法在CIFAR-10上的平均准确率达到了60.8%,平均遗忘率达到了15.5%。当内存库M为500时,该方法在CIFAR-100上的平均准确率达到了25.9%,平均遗忘率达到了13.7%。这一结果验证了加强决策边界与自监督的在线持续学习方法对减轻灾难性遗忘是有效的。