초록
클래스 증분 학습 문제에 대해 다루며, 이는 적응형 시각 지능을 실현하기 위한 핵심 단계이다. 특히 제한된 메모리 환경에서의 증분 학습 설정을 고려하고, 더 나은 안정성-유연성 균형을 달성하고자 한다. 이를 위해 우리는 보다 효과적인 증분 개념 모델링을 위해 동적으로 확장 가능한 표현을 활용하는 새로운 이단계 학습 방법을 제안한다. 구체적으로 각 증분 단계에서 기존에 학습된 표현은 고정하고, 새로운 학습 가능한 특징 추출기로부터 추가적인 특징 차원을 증강함으로써 표현을 확장한다. 이를 통해 기존에 학습한 지식을 유지하면서도 새로운 시각적 개념을 효과적으로 통합할 수 있다. 새로운 개념의 복잡도에 따라 채널 수준의 마스크 기반 절단 전략을 도입하여 표현을 동적으로 확장한다. 또한, 새로운 개념에 대해 다양한 특징과 구분 가능한 특징을 학습하도록 유도하기 위해 보조 손실 함수를 도입한다. 제안된 방법은 세 가지 클래스 증분 학습 벤치마크에서 광범위한 실험을 수행하였으며, 다른 방법들과 비교하여 큰 차이로 일관되게 우수한 성능을 보였다.