基于VAE的伪样本重排练实现的类增量学习

摘要：

针对神经网络模型进行类增量学习时产生的灾难性遗忘问题,提出一种基于VAE的伪样本重排练实现的类增量学习方法.采用VAE生成伪样本的方法,实现重排练,生成与真实图像相似的伪图像;引入大边界Softmax损失训练分类器,使分类器学习到类间距离更大、类内距离更小的特征;采用一种基于类均值特征的伪样本选择策略,基于分类器训练样本的类均值特征,使筛选出来的伪样本更具代表性.在MNIST、FASHION数据集上的实验结果表明,所提方法能有效减少灾难性遗忘的影响,提高图像分类精度.

关键词：类增量学习;灾难性遗忘;伪样本重排练;变分自编码器;伪样本选择

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;广西自然科学基金项目;广西科技基地和人才专项基金项目;中国博士后科学基金面上基金项目;认知无线电教育部重点实验室基金项目;桂林电子科技大学研究生创新基金项目

在线出版日期：2021-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2284-2290