Class activation map replay and minimum entropy sampling-based multilabel class-incremental learning
Yifan Zhou, Kaile Du, Fan Lyu, Fuyuan Hu, Guangcan Liu · Journal of Image and Graphics · 2025
目的多标签类增量学习旨在学习多标签分类任务时，能够持续学习新任务中的新标签信息，同时保持对之前学习任务的良好性能。不同于单标签连续学习中的标签互斥性假设，多标签连续学习中的跨任务标签无法被补全。因此，样本的大量标签缺失使得跨任务之间的关联被完全阻断，模型无法区别新类与旧类，导致相似类别的混淆。方法为了解决类别混淆问题，提出一种类激活图回放和最小熵采样的多标签类增量学习，以实现跨任务的监督信息传递。具体地，首先在传统经验回放策略的基础上，开辟一块新的存储区用于存储样本正类的类激活图。其次，基于交叉熵的数值对当前任务样本进行采样，以挑选那些拥有精确类激活图的样本放入存储区作为回放样本。最后，在后续任务中回放样本，对当前模型的正类激活图输出进行正向监督，并将存储的正类的激活图作为其他类别激活图的反向监督，使其显著区域不重合。结果在PASCAL VOC（pattern analysis，statistical modeling and computational learning visual object classes）数据集上进行广泛实验，验证了所提出方法的有效性和鲁棒性。对比实验结果表明，类激活图监督回放方法显著提升了模型在多标签连续学习中的性能。结论本文所提出的类激活图监督回放法为跨任务类别补充了监督信息，缓解了多标签类增量学习中的标签缺失问题。