Few Shot Incremental Learning with Continually Evolved Classifiers论文详解基于持续进化分类器的小样本类别增量学习CVPR2021

超、凢脫俗 2023-01-19 14:50 35阅读 0赞

Few Shot Incremental Learning with Continually Evolved Classifiers

CVPR2021，由新加坡南洋理工大学

本文利用Graph即图模型，将拓扑结构与增量模型向结合，从而取得不错的效果。

类似论文，均是基于双阶段的增量模型，一个是特征提取模块，另一个是分类器模块。

对于Rehearsal的方法而言，特征提取模块可能一起更新。

对于本文的方法而言，特征提取模块一旦初始训练好，就固定下来，只更新分类器模块。本文的分类器模块与GAT(Graph Attention Network)相结合。

基于拓扑结构的增量学习：

CVPR2020 ，FSCIL Few-shot Class Incremental Learning。将NG网络运用到增量学习之中。

[FSCIL论文详解 Few-Shot Class-Incremental Learning， CVPR2020\_祥瑞的技术博客-CSDN博客][FSCIL_ Few-Shot Class-Incremental Learning_ CVPR2020_-CSDN]

ECCV2020，TPCIL，本篇，Topology Preserving Class-Incremental learning，同样的框架，即CNN+拓扑结构，部分内容换了一个写法。

[基于拓扑的增量学习Topology Preserving Class-Incremental learning论文详解ECCV2020\_祥瑞的技术博客-CSDN博客][Topology Preserving Class-Incremental learning_ECCV2020_-CSDN]

CVPR2021与本篇非常类似，Few-Shot Incremental Learning with Continually Evolved Classifiers，南洋理工大学提出，也是运用Graph的知识，将GAT(Graph Attention Network)用于增量学习。

[Few Shot Incremental Learning with Continually Evolved Classifiers论文详解 基于持续进化分类器的小样本类别增量学习CVPR2021\_祥瑞的技术博客-CSDN博客][Few Shot Incremental Learning with Continually Evolved Classifiers_ _CVPR2021_-CSDN]

本文地址：

[\[2104.03047\] Few-Shot Incremental Learning with Continually Evolved Classifiers (arxiv.org)][2104.03047_ Few-Shot Incremental Learning with Continually Evolved Classifiers _arxiv.org]

另一篇论文地址：

[\[2103.16788\] DER: Dynamically Expandable Representation for Class Incremental Learning (arxiv.org)][2104.03047_ Few-Shot Incremental Learning with Continually Evolved Classifiers _arxiv.org]

**目录**

1.贡献点

2. 方法

2.1 模型框架

2.1 CEC（continually evolved classifier）

2.2 算法流程

2.3 Pseudo Incremental Learning

3.实验

3.1 可视化

3.2 方法对比

4.总结

--------------------

# 1.贡献点 #

本文依然解决Few-shot class incremental learning(FSCIL)问题，从两个方面来进行解决：

特征提取模块与分类器解耦，每次增量任务只更新分类器。特征提取模块是pretrain好的backbone, 分类器是non-parameter的class mean classifier(个人猜测类似于NCM)

为了使得分类器适用于所有类别，本文提出Continually Evolved Classifier (CEC)，将graph模型应用于分类器。

多个数据集上SOTA

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70][]

# 2. 方法 #

## 2.1 模型框架 ##

对FSCIL问题，base数据大量，inc数据较少，因此用base数据训练backbone即可。用calssfier来试应增量任务的变化。

即使对旧任务，学到了很好的分类边界，但是因为新任务的到来，旧模型的决策边界可能不好用了。因此本文引入新的Continually Evolved Classifier (CEC)来进行适应。将Graph Attention Network（GAT，ICML2018）图注意力模型。引入到此模型之中。从而实现了

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 1][]

先用base数据*D**0train*![20210510220906123.png][]训练获得backbone *R*![20210510220906120.png][]的权重，

然后利用base数据作为伪增量，训练Graph模型获得权重*\{* *W**0\}*![20210510220906120.png][],

随着增量任务的到来，Graph模型的节点和权重随之增加，权重增加为*\{* *W**0**,**W**1\}*，再增加到*\{* *W**0**,**W**1**,…,**W**i\}*![20210510220906125.png][]

# 2.1 CEC（continually evolved classifier） #

前*NI*![20210510220906126.png][]个任务，模型分类器学到的权重为：

![20210510220906132.png][]

对于CNN模型而言：上标从1到*NI*![20210510220906137.png][]分别表示增量任务，下标从0到*NI*![20210510220906141.png][]分别表示类别。*w**ic*![20210510220906136.png][]表示第*i*![20210510220906140.png][]个增量任务中区分类别*c*![20210510220906140.png][]的权重。这里采用CNN的模型权重*W*![20210510220906139.png][]是为了后面与Graph模型进行区分。模型总权重*W*![20210510220906141.png][]权重由*w*![20210510220906141.png][]即每个增量任务中每个类别的权重构成，意味着每个增量任务从1到*NI*![20210510220906139.png][]，每个类别都会有一个权重。

作者把GAT运用于其中。

*  GAT的节点是基于注意力机制进行集合，利用拓扑关系，节点间的连接关系具有不变的特性，利于保持旧知识
 *  GAT模型可以增加节点，且不改变其他的节点，新任务可以利用旧任务训练好的GAT

关于GAT的知识，因为涉及到Graph的知识，因此较为繁琐，作者也适当进行了规避，这里不多做介绍，这里只介绍GAT如何对权重进行处理：

这里只介绍GAT如何对权重进行处理：

![20210510221157586.png][]

*U*![20210510220906166.png][]表示线性变换矩阵，*wk*![2021051022090693.png][]示对所有的k分类的任务，都可以通过线性变换和一个注意力系数的线性相加，更新获得第*j*![2021051022090695.png][]个任务权重*wj'*![2021051022090694.png][].

GAT的作用就是获得线性变换矩阵*U*![2021051022090696.png][]和注意力系数*ajk*![2021051022090697.png][]。通过此公式我们可以看出，分类器的权重其实经过了更新，这个更新过程是新权重除了新训练所得的权重之外，分类器旧权重也进行了线性变换和注意力机制的更新。

## 2.2 算法流程 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 2][]

输入：

根据基础任务数据*D**0train*![20210510220906103.png][]训练所得的backbone模型*R*![20210510220906104.png][]，以及一个随机初始化的GAT模型*Gθ*![20210510220906104.png][]

增量任务到来之后，只需要对新增任务训练分类器*W*![20210510220906108.png][], 然后训练GAT模型，用GAT模型的输出平衡分类器各个类别之间的关系。

## 2.3 Pseudo Incremental Learning ##

见算法流程中步骤5-8，本文将旋转这个数据增强的手段当作了贡献点之一，起名叫做Pseudo Incremental Learning.（PIL）

作者通过旋转的样本增扩（PIL），然后将样本分为了support set和query set，（类似于训练集和验证集，在Graph神经网络之中，这两个集合的作用可能不太一样），support set用于训练分类器，训练好的分类器用query set训练GAT网络。

关于PIL这个流程的作用，效果巨大，通过后续实验可见图6，可能与GAT的某些特性有关：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 3][]

加入了PIL之后，网络准确率提升巨大。

# 3.实验 #

## 3.1 可视化 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 4][]

通过t-SNE可视化，新类的学习过程，特征空间上的点分的更开。

## 3.2 方法对比 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 5][]

性能达到SOTA

# 4.总结 #

A+B, A是小样本增量学习FSCIL，B是图注意力网络GAT，本文将两个结合起来凑贡献点。

中间加入了一些trick提升准确率，以使得模型达到SOTA，例如旋转的样本增扩，起名为Pseudo Incremental Learning。

[FSCIL_ Few-Shot Class-Incremental Learning_ CVPR2020_-CSDN]: https://blog.csdn.net/weixin_36474809/article/details/116176530
[Topology Preserving Class-Incremental learning_ECCV2020_-CSDN]: https://blog.csdn.net/weixin_36474809/article/details/116612061
[Few Shot Incremental Learning with Continually Evolved Classifiers_ _CVPR2021_-CSDN]: https://blog.csdn.net/weixin_36474809/article/details/116612960
[2104.03047_ Few-Shot Incremental Learning with Continually Evolved Classifiers _arxiv.org]: https://arxiv.org/abs/2104.03047
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70]: /images/20221021/47820d34355d4960866ab396db253be2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 1]: /images/20221021/74f7516b94614442a8b29914ddc34cd8.png
[20210510220906123.png]: https://img-blog.csdnimg.cn/20210510220906123.png
[20210510220906120.png]: /images/20221021/f770271b9ca74e4ab3319fa255b85fd9.png
[20210510220906125.png]: /images/20221021/b69c412678ae48e1a6330ff0a2c5bcca.png
[20210510220906126.png]: /images/20221021/2b532baf1ebe45bab810febdd62ec688.png
[20210510220906132.png]: /images/20221021/cc8acde396a943fba30fe02ccd90aeaa.png
[20210510220906137.png]: https://img-blog.csdnimg.cn/20210510220906137.png
[20210510220906141.png]: https://img-blog.csdnimg.cn/20210510220906141.png
[20210510220906136.png]: https://img-blog.csdnimg.cn/20210510220906136.png
[20210510220906140.png]: https://img-blog.csdnimg.cn/20210510220906140.png
[20210510220906139.png]: /images/20221021/02849ba0c39a4ba79fba6635ced7c300.png
[20210510221157586.png]: /images/20221021/333af7efa7eb48f2bfeb92b847740bfa.png
[20210510220906166.png]: https://img-blog.csdnimg.cn/20210510220906166.png
[2021051022090693.png]: https://img-blog.csdnimg.cn/2021051022090693.png
[2021051022090695.png]: https://img-blog.csdnimg.cn/2021051022090695.png
[2021051022090694.png]: /images/20221021/9fb04ad462a44f78b2ca528132e91bea.png
[2021051022090696.png]: https://img-blog.csdnimg.cn/2021051022090696.png
[2021051022090697.png]: /images/20221021/770acd17d48a4f7aac3117caa0ab127c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 2]: /images/20221021/c4504cb0bb6d4880b21a242542894ed0.png
[20210510220906103.png]: https://img-blog.csdnimg.cn/20210510220906103.png
[20210510220906104.png]: /images/20221021/5f69148c14b54f35981411863c7b230d.png
[20210510220906108.png]: /images/20221021/a712da2a0c0f40e790c0912a2bb59acb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 3]: /images/20221021/9b9801dca6d64c4e96e5e88b4670d627.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 4]: /images/20221021/98fd1da1d4c245fa81de602f558cedde.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 5]: /images/20221021/bb607c26bdf2428cbaba4934ce1fd370.png