이 논문은 비디오 클래스 증분 학습 문제를 다룬다. 기존 방법들은 새로운 클래스의 정확도를 과도하게 추구하고 이전 클래스의 망각을 완화하기 위해 메모리 세트에 의존한다. 그러나 메모리 용량이 제한적이어서 대표적인 비디오만 저장할 수 있다.
저자들은 SNRO를 제안한다. SNRO는 Examples Sparse와 Early Break로 구성된다. Examples Sparse는 이전 클래스의 대표 비디오에서 더 적은 프레임을 추출하고 보간법을 사용하여 정렬한다. 이를 통해 동일한 메모리 소비로 더 많은 예제를 저장하고 모델이 쉽게 망각되지 않는 저수준 의미 특징에 집중하도록 한다. Early Break는 각 증분 과제에서 훈련을 조기에 종료하여 새로운 클래스에 과도하게 맞추는 것을 방지한다.
실험 결과, SNRO는 UCF101, HMDB51, UESTC-MMEA-CL 데이터셋에서 기존 방법보다 우수한 성능을 보였다. 특히 이전 클래스의 망각을 크게 줄였다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문