论文详解Memory Efficient Incremental learning through feature adaptation. ECCV2020 基于增量特征映射

古城微笑少年丶 2023-01-17 07:55 77阅读 0赞

ECCV2020，由Google Research提出。

看标题是基于样本回放的方法。如何在网络变化之后，将旧特征映射到新特征。

类似的方法例如SDC，Semantic Drift Composition。

SDC: [ SDC论文详解Semantic Drift Compensation for Class-Incremental Learning. CVPR 2020][SDC_Semantic Drift Compensation for Class-Incremental Learning. CVPR 2020]

**目录**

1.贡献点

1.1 基于rehearsal方法的分类

1.2 贡献点

2.框架

2.1 特征提取+分类器

2.2 蒸馏Loss

2.3 Feature Adaptation

2.4 feature adaptation network

2.5 Memory尺寸的降低

3. 实验

3.1 存储效率

3.2 准确率

4. 评价

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

# 1.贡献点 #

模型不存储样本，只存储样本提取出的feature. 本文通过多层感知机实现feature的新适应。

## 1.1 基于rehearsal方法的分类 ##

基于rehearsal的方法分为如下几类：

1.  Non-rehearsal: 即不需要rehearsal, 例如LwF直接用新旧网络之间进行知识蒸馏，不需要存储旧样本。
2.  Exemplars: 直接存储原始图片，例如iCARL（Incremental Classifier and Representation Learning）,直接将原始图片存储为exemplars.
3.  Generated images: 利用GANs生成fake images
4.  Feature based methods: 基于特征存储的方法，直接利用memory存储网络特征。

## 1.2 贡献点 ##

1.  如何在特征提取网络变化之后，对应的存储的旧特征也应该发生变化，本文用多层感知机模拟这种映射。
2.  本文方法存储负担对比同类方法极小
3.  性能达到SOTA

# 2.框架 #

如图所示，模型根据新图片提取出特征，同时需要对旧特征进行适应。因为相应的增量模型发生了变化，旧存储的特征也会发生变化。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70][]

## 2.1 特征提取+分类器 ##

依然是非常常见的，特征提取模块加上分类器模块。假定特征提取模块是hΘ(), 分类器模块是gW(), 非常常见的结构就是：

![20210427224744230.png][]

对应的loss，比如交叉熵Loss：

![20210427224744285.png][]

这个模型结构太常见了，特征提取模块加上分类器模块，几乎所有的论文都用了这种模式，并且把这个模式解释了一遍，但是不确定是谁最先提出来的。

## 2.2 蒸馏Loss ##

基于输出的Knowledge Distillation以及基于feature的Feature Distillation

利用旧模型的输出蒸馏新模型的输出：

![20210427224819461.png][]

最终模型性能是交叉熵加上蒸馏Loss，例如LwF采用的方法：

![20210427224819463.png][]

这个是基于分类器输出的蒸馏，也有基于特征的蒸馏：

基于特征的蒸馏多采用cos相似度：

![20210427224819458.png][]

最终的Loss可以将交叉熵Loss、蒸馏Loss、feature的蒸馏Loss相结合：

![20210427225302482.png][]

两种蒸馏Loss用于保持旧知识.这里作者提到另一种蒸馏Loss，attention Distillation Loss:

Learning without memorizing. In: CVPR (2019)

## 2.3 Feature Adaptation ##

假定第一个任务的数据集X1，提取出的特征为V1：

存储在memory之中的特征是M1=V1

task t=2的时候，提取出的特征是![20210427224855565.png][]

此时，M1和V2是用不同的特征提取模块提取出来的。因为提取V2时候的特征提取模块在提取V1的特征提取模块的基础上进行了更新，因此不是同一个特征提取模块。

因此需要将对应的M1进行转换才能获得M2

同理，第t个任务的特征需要在t-1个任务的基础上进行更新：

![20210427224855596.png][]

![20210427224855606.png][]

以上几个模块是基于Feature based methods的通用流程。下面作者提出了自己的创新

## 2.4 feature adaptation network ##

假定特征适应网络是ф，特征适应网络需要能将上一个task t-1训练的模型映射到下一个task t,

![20210427225044829.png][]

假定t-1任务的特征提取模块提取出的特征是v^hat，t的特征提取模块提取出的特征是v

网络训练的Loss如下：

![20210427224939596.png][]

loss分为两个部分，第一个部分是相近loss，需要旧特征v^hat在映射之后尽可能的接近新特征v，这部分用cos相似度来近似。

另一个Loss是分类Loss，用新特征提取模块映射之后的特征在分类网络的输出，需要与任务标签一致。

## 2.5 Memory尺寸的降低 ##

本文用贪心算法的herding算法选取保留的特征。因为该算法已经比较成型，论文没有详述该算法的理论。该算法也是iCaRL采用的算法。iCaRL: Incremental classifier and representation learning. In: CVPR (2017)

# 3. 实验 #

## 3.1 存储效率 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 1][]

LwF不是基于rehearsal的方法，所以不需要memory size，同时准确率偏低。

iCARL是基于rehearsal的方法，但是因为没有本文的特征适应网络，所以同样的的memory大小之下，本文方法更优。

ours-hybrid不采用herding算法的特征选取，因此memory占用较多。

## 3.2 准确率 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 3][]

本文与同类型方法对比，达到SOTA

# 4. 评价 #

本文思路与SDC比较相近，都是旧任务对新任务的存储特征做映射。

SDC直接按均值的偏移估算特征的偏移。

本文用CNN模型来学习偏移，对旧特征进行映射。

不过，本文可以像SDC那样，给一个实际的偏移量和网络预测的偏移量的差距的实验，更加直观一些。

因为本论文和SDC是同时期论文，因此没有与SDC进行比较，同时，本文需要多训练一个特征迁移网络，并且每个旧任务到新任务都需要训练。具有额外的训练开销和模型开销，但是性能上应该是优于SDC的。

[SDC_Semantic Drift Compensation for Class-Incremental Learning. CVPR 2020]: https://blog.csdn.net/weixin_36474809/article/details/115839720
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70]: /images/20221021/2bcc77be187246b3b7643e94025e437a.png
[20210427224744230.png]: /images/20221021/2e3d38c3a36c46b99e1af24e7f1cf217.png
[20210427224744285.png]: /images/20221021/9d6ca2c848244ad5927d3aea10e0c9f3.png
[20210427224819461.png]: /images/20221021/ceddb746712645d1bad3f04e7f173811.png
[20210427224819463.png]: /images/20221021/c91870b429e045e6b69ab44d6b55b612.png
[20210427224819458.png]: /images/20221021/7a386e0283194c0880cb71653b500b99.png
[20210427225302482.png]: /images/20221021/fadaa9432a684103bf4a0125c8437140.png
[20210427224855565.png]: /images/20221021/7495b9a88ae3426295f935e0ef4dd543.png
[20210427224855596.png]: /images/20221021/2b0c308245784dec8fa1bea560df05f0.png
[20210427224855606.png]: /images/20221021/2a7b7b50073541f0be350d3daeb9650e.png
[20210427225044829.png]: /images/20221021/d6dccd6e342440fd9a41949b5756ee94.png
[20210427224939596.png]: /images/20221021/ec489002da8f4f769e37f4d8aa8d8d21.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 1]: /images/20221021/8b1da595f0e34f489236c453f4dbe2f1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 2]: /images/20221021/da016a0acaad4bca8c3d4eb81c305a5a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNjQ3NDgwOQ_size_16_color_FFFFFF_t_70 3]: /images/20221021/63532b6f246e4337a82a532b8784b451.png