摘要
卷积神经网络在分类任务中表现出色，但在实时学习新知识方面仍面临挑战。本文提出一种无需数据回放的新型持续学习方法——RECALL。该方法使深度神经网络能够在不保存先前任务数据的前提下，持续学习全新的未见物体类别。RECALL名称源自网络在训练新类别前，通过计算旧类别的logits实现对旧类别的“回忆”，并在后续训练过程中利用这些信息防止对已有类别的参数发生改变。针对每个新类别序列，模型会动态增加一个新的分类头以容纳新增类别。为缓解灾难性遗忘问题，我们引入一种正则化策略，将传统的分类任务转化为回归任务。此外，针对已知类别，我们提出一种基于马氏距离（Mahalanobis loss）的损失函数，该函数引入类别内部方差信息，以适应已知类别与未知类别之间分布密度的变化。最后，我们构建了一个面向持续学习的新型数据集——HOWS-CL-25，专为移动机器人上的物体识别任务设计，包含150,795张合成图像，涵盖25种常见家用物体类别。实验结果表明，RECALL方法在CORe50和iCIFAR-100数据集上均超越当前最优水平，并在HOWS-CL-25数据集上取得了最佳性能。