Are Labels Needed for Incremental Instance Learning?

要約

この論文では、ビジュアルオブジェクトインスタンスを段階的に分類し、自己監視 (自己段階的) を介して分類する方法を学びます。
学習者は一度に 1 つのインスタンスを観察し、それをデータセットから破棄します。
学習セッションが長くなると物忘れが悪化し、インスタンスのラベル付けが面倒になるため、増分インスタンス学習は困難です。
私たちは、次の 3 つの貢献を通じてこれらの課題を克服します。
オブジェクトのインスタンスを逐次的に学習できる自己増分学習器 VINIL を提案します。
VINIL に自己管理機能を装備して、インスタンスのラベリングの必要性を回避します。 iii.
2 つの大規模なベンチマークで VINIL をラベルで監視されたバリアントと比較し、VINIL が忘却を減らしながら精度を大幅に向上させることを示します。

要約(オリジナル)

In this paper, we learn to classify visual object instances, incrementally and via self-supervision (self-incremental). Our learner observes a single instance at a time, which is then discarded from the dataset. Incremental instance learning is challenging, since longer learning sessions exacerbate forgetfulness, and labeling instances is cumbersome. We overcome these challenges via three contributions: i. We propose VINIL, a self-incremental learner that can learn object instances sequentially, ii. We equip VINIL with self-supervision to by-pass the need for instance labelling, iii. We compare VINIL to label-supervised variants on two large-scale benchmarks and show that VINIL significantly improves accuracy while reducing forgetfulness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google