小全读论文《End

论文《End"/>

小全读论文《End

小全读论文《End-to-End Incremental Learning》ECCV 2018

• Motivation
• Approach
• • 模型框架
  • 算法流程
  • • 训练集的构建（construction of the training set）
    • 训练过程（training process）
    • 基于均衡采样的微调（balanced fine-tuning）
    • 代表性存储空间的更新（representative memory updating）
• 总结

Motivation

本文关注的是增量学习问题，本文指出一个基于深度学习的增量方法需要符合下列特征：
1）可训性，模型应该具备对数据流数据的训练能力，也就是说即使不同类别的数据以不同顺序的形式在不同时间段出现，模型依然能对数据进行训练；
2）有效性，在新类别和旧类别都有比较好的性能
3）资源有限性，模型的参数以及不能随着数据的流入而不断增大；
4）模型可以同时对分类器和特征提取器进行更新，实现端到端的训练；

本文指出，即使学者们在增量学习领域做出了不少努力，但是没有一个现存的工作能同时满足上面所有性质，如
1）有些方法把分类器和特征学习任务是解耦，或者受限于一些特定的场景，如学习新的数据集，其类别并不是和旧类别相关
（读者认为文章中该点的描述有点偏差，文章提出说针对分类器和特征学习任务是解耦的例子是iCaRL，但是iCaRL的分类器是依赖于特征学习的，他们的关系并非是独立的）
2）有些方法尝试采取一些额外的分类器，如SVM，本文认为这些分类器是不适合深度学习结构的
3）有些方法会导致网络的参数的快速增加，如一些方法为新类别训练一个新的网络

相对于其他方法，本文的方法的一个核心点在于：实现了分类器和特征提取器的端到端的训练

Approach

与iCaRL类似，本文也提出了一个样本集，用来存储旧类别的数据。我们首先介绍模型的整体框架，然后再进一步介绍算法的整体训练流程。

模型框架

本文提出的框架也很直接，和之前很多方法也是一致的，当遇到新类别的时候，在网络的顶部增加了分类器层，采取知识蒸馏的loss和分类loss结合的主流方式，利用新类别的数据和样本集的数据对整体模型进行更新。

算法流程

和iCaRL类别，本文也提出了一个样本集存储旧类别的数据。本文方法包含了四个过程：
1）训练集的构建（construction of the training set）
2）训练过程（training process）
3）基于均衡采样的微调（balanced fine-tuning）
4）代表性存储空间的更新（representative memory updating）

训练集的构建（construction of the training set）

训练集包含了新类别的数据以及样本集的数据，并提取训练集每张图片在旧模型上的响应

训练过程（training process）

文章采取了流行的双loss的形式：知识蒸馏的loss和分类的loss，具体地：

L ( ω ) = L C ( ω ) + ∑ f = 1 F L D f ( ω ) L(\omega) = L_C(\omega) +\sum_{f=1}^F{L_{D_f}(\omega)} L(ω)=LC​(ω)+∑f=1F​LDf​​(ω)
L C ( ω ) = − 1 N ∑ i = 1 N ∑ j = 1 C p i j l o g q i j L_C(\omega) = -\frac{1}{N}\sum_{i=1}^N\sum_{j=1}^{C}p_{ij}logq_{ij} LC​(ω)=−N1​∑i=1N​∑j=1C​pij​logqij​
L D ( ω ) = − 1 N ∑ i = 1 N ∑ j = 1 C p d i s t i j l o g q d i s t i j L_D(\omega) = -\frac{1}{N}\sum_{i=1}^N\sum_{j=1}^{C}pdist_{ij}logqdist_{ij} LD​(ω)=−N1​∑i=1N​∑j=1C​pdistij​logqdistij​
其中，F表示旧类别的数量， p d i s t , q d i s t pdist,qdist pdist,qdist表示上述对旧模型的响应以及新模型的响应进行T次项的修正。
（读者咋一想觉得上述公式貌似有点问题，第一步的求和 ∑ f = 1 F \sum_{f=1}^F ∑f=1F​好像是无必要的，因为第三部的公式本身会对C每个类别进行求和了。但是如果把C理解成当前每次新加的类别的数量，这个公式就可以说得通了。总之他想表达的意思就是蒸馏loss+分类loss）

基于均衡采样的微调（balanced fine-tuning）

第二步的训练过程是基于两部分数据，样本集数据和当前类别的数据，但两者处于一种不均衡的状态，即新类别的数量比旧类别的数量要多。因此这一步对样本进行均衡采样，并对网络进行适当微调，减轻这种不均衡状态带来的影响。

因此需要对新类别进行均衡采样，但是这带来一个问题就是：舍弃的新类别样本的信息会被遗忘掉。为此，本文为新类别的输出结果增加了一个知识蒸馏的loss

代表性存储空间的更新（representative memory updating）

代表性存储空间和iCaRL的样本集是一致的，用来存储一些代表性的旧数据样本。因为样本集的空间是有限的，当前新类别的数据训练完之后，需要对样本集进行更新，涉及到对旧类别的样本集的删减和新类别样本集的增加。具体的方式和iCaRL的方式是一致。

总结

本文强调这是一个***端到端***的增量学习框架，但是只是仅限于模型本身的端到端，而不是整体流程的端到端，因为整体流程依然需要很多步骤，包括均衡采样的微调以及代表性存储空间的更新等。
此外，读者认为，iCaRL本身可认为是一个端到端的框架，训练网络的过程本身是端到端的，可能存在争议的是，测试过程中，需要先“提前求类别的平均表征（prototype）”这一步再进行测试。