增量学习深度学习综述

30页综述共计249篇参考文献本文全面调研了深度类别增量学习的最新进展并从三大方面进行总结以数据模型和算法为中心并对图像分类任务中的16种方法进行了统一评估.单位南京大学南洋理工大学深度模型如CNN和视觉Transformer在封闭世界的许多视觉任务中取得了令人印象深刻的成就.然而在我们不断变化的世界中新的类别不时出现需要学习系统不断获取新知识.例如机器人需要理解新的指令意见监控系统应该每天分析新出现的话题.类增量学习CIL使学习者能够增量地结合新类的知识并在所有看到的类中构建通用分类器.相应地当用新的类实例直接训练模型时会出现一个致命的问题模型往往会灾难性地忘记以前的类实例的特性其性能会急剧下降.在机器学习社区已经有许多努力来解决灾难性遗忘.在本文中我们全面综述了深度类别增量学习的最新进展并从三个方面总结了这些方法即以数据为中心以模型为中心和以算法为中心.我们还对基准图像分类任务中的16种方法进行了严格和统一的评估以根据经验找出不同算法的特征.