Réexamen d'un système de classification d'images basé sur kNN avec stockage à haute capacité

Dans les systèmes existants de classification d’images basés sur des réseaux neuronaux profonds, les connaissances nécessaires à la classification sont implicitement stockées dans les paramètres du modèle. Si les utilisateurs souhaitent mettre à jour ces connaissances, ils doivent ajuster finement les paramètres du modèle. En outre, ils ne peuvent pas vérifier la validité des résultats d’inférence ni évaluer la contribution de chaque connaissance à ces résultats. Dans cet article, nous proposons un système qui stocke les connaissances pour la classification d’images — telles que les cartes de caractéristiques d’images, les étiquettes et les images d’origine — non pas dans les paramètres du modèle, mais dans un stockage externe à haute capacité. Notre système interroge ce stockage comme une base de données lors de la classification des images d’entrée. Pour enrichir la connaissance, notre système met à jour la base de données au lieu d’ajuster finement les paramètres du modèle, ce qui permet d’éviter le phénomène de « oubli catastrophique » dans les scénarios d’apprentissage incrémentiel. Nous revisitons le classifieur kNN (k plus proches voisins) et l’intégrons dans notre système. En analysant les échantillons voisins référencés par l’algorithme kNN, nous pouvons interpréter de manière explicite comment les connaissances acquises par le passé sont utilisées pour produire les résultats d’inférence. Notre système atteint une précision top-1 de 79,8 % sur le jeu de données ImageNet sans ajustement fin des paramètres du modèle après l’entraînement préalable, et une précision de 90,8 % sur le jeu de données Split CIFAR-100 dans un cadre d’apprentissage incrémentiel par tâches.