1、Continual Learning for Visual Search with Backward Consistent Feature Embedding

Timmy S. T. Wan, Jun-Cheng Chen, Tzer-Yi Wu, Chu-Song Chen

https://arxiv.org/pdf/2205.13384

在图像搜索算法中，数据库中的图片会随着时间的增长而增加。但是现有方法依赖于在整个数据集上训练的模型，而忽略了模型的不断更新。随着模型的更新，新模型必须为整个图库集重新提取特征以保持兼容的特征空间，这为大型图库集带来了很高的计算成本。为了解决长期视觉搜索的问题，论文引入了一种持续学习 (CL) 方法，该方法可以处理增量增长的图片集。该方法强制执行会话间数据一致性和模型一致性还有不同训练会话（数据增长后的重新训练）损失区别来进行持续学习，解决方案还解决了为模糊边界添加新类的情况，而不假设所有类别在开始时和模型更新期间都已知的。这应该是第一个解决后向一致特征嵌入问题并允许在新会话中出现新类的 CL 方法。对各种基准的广泛实验表明论文的方法在各种设置下的有效性

2、Bootstrap Confidence Regions for Learned Feature Embeddings

Kris Sankaran

完整文章

https://avoid.overfit.cn/post/8987c6b35a3c4131887de97a4031d665

标签：嵌入,CL,特征,新类,模型,论文,Feature,https,方法
来源： https://www.cnblogs.com/deephub/p/16378008.html