BriefGPT - AI 论文速递
·
微调新类以记住旧类的方法用于视频类别增量学习
原文中文，约500字，阅读约需2分钟。
📝
内容提要
近期的视频类增量学习通常过分追求新学习类别的准确性，并依赖于存储集合来减轻旧类别的灾难性遗忘。因此，提出了SNRO，它通过轻微调整新类别的特征以记住旧类别。SNRO在相同存储消耗下存储更多样本，并迫使模型专注于更难遗忘的低语义特征。在实验证明，SNRO在相同存储消耗的情况下表现更好。
🎯
关键要点
-
近期的视频类增量学习过分追求新学习类别的准确性。
-
现有方法依赖存储集合来减轻旧类别的灾难性遗忘。
-
有限的存储空间只能存储少量代表性视频。
-
提出了SNRO，通过轻微调整新类别的特征以记住旧类别。
-
SNRO包含Examples Sparse和Early Break两个部分。
-
Examples Sparse以较低的采样率降低训练样本量，并使用插值方法对未来的稀疏帧进行对齐。
-
SNRO在相同存储消耗下存储更多样本，专注于更难遗忘的低语义特征。
-
Early Break在小的训练周期结束时停止训练，防止模型过度延伸到当前任务的高语义空间。
-
在UCF101、HMDB51和UESTC-MMEA-CL数据集上的实验证明，SNRO表现更好。
🏷️
