RECALL: 객체 분류를 위한 재현 없이 진행되는 지속적 학습

합성곱 신경망은 분류 작업에서 뛰어난 성능을 보이지만, 실시간으로 새로운 지식을 학습하는 데 어려움을 겪는다. 본 연구에서는 이전 시퀀스의 데이터를 저장하지 않고도 지속적으로 새로운 미지의 객체 카테고리를 학습할 수 있는 새로운 리허설(free) 접근법을 제안한다. 제안하는 방법은 RECALL이라 명명되며, 새로운 카테고리 학습 전에 기존 카테고리에 대한 로짓(logit)을 계산함으로써 기존 카테고리를 회상하는 방식이다. 이를 통해 학습 과정에서 기존 카테고리의 특성 변화를 방지할 수 있다. 새로운 시퀀스가 도입될 때마다 새로운 헤드(head)를 추가하여 새로운 카테고리를 수용한다. 지속적인 기억 상실을 완화하기 위해, 분류 작업을 회귀(regression)로 대체하는 정규화 전략을 제안한다. 또한, 기존 카테고리에 대해 변동하는 밀도를 반영하기 위해 분산 정보를 포함하는 마할라노비스 손실(Mahalanobis loss)을 도입한다. 마지막으로, 모바일 로봇의 객체 인식에 특화된 지속적 학습을 위한 새로운 데이터셋인 HOWS-CL-25를 제시한다. 이 데이터셋은 25개의 가정용 물체 카테고리에 대해 총 150,795장의 합성 이미지를 포함한다. 제안한 RECALL 방법은 CORe50 및 iCIFAR-100에서 현재 최고 성능을 기록하며, HOWS-CL-25에서는 최고의 성능을 달성하였다.