OpenHAIV：面向实用开放世界学习的框架.pdfVIP

OpenHAIV：面向实用开放世界学习的框架

1,2111

XiangXiang,QinhaoZhou,ZhuoXu,JingMa,

111

JiaxinDai,YifanLiang,HanlinLi

1HUSTAIandVisualLearningLab(HAIVLab),

HuazhongUniversityofScienceandTechnology(HUST),

1037LuoyuRoad,Wuhan,Hubei430074,China.

2PengChengNationalLaboratory,Shenzhen,China.

*Correspondingauthor(s).E-mail(s):xex@;

本

译摘要

中在开放世界识别的各种技术方面取得了实质性进展。分布外（OOD）检测方法可

以有效地区分数据中的已知类和未知类，而增量学习则能够实现模型知识的持续更

1新。然而，在开放世界场景中，这些方法仍然面临限制。仅依赖OOD检测并不能促

v进模型的知识更新，而增量微调通常需要监督条件，这与开放世界的设置有显著偏

0离。为了解决这些问题，本文提出了OpenHAIV，一种将OOD检测、新类别发现

7和增量持续微调整合到统一管道中的新型框架。该框架允许模型自主地在开放世界

2环境中获取和更新知识。所提出的框架可在https://haiv-lab.github.io/openhaiv

7获得。

0

.

8Keywords:开放世界学习，分布外检测，新类发现，增量学习，少量样本增量学习

0

5

2

:

v

i1介绍

x

r

a近年来，随着深度学习技术的持续进步，连续学习[1–3]也迅速发展，产生了

一系列令人印象深刻的研究成果。连续学习旨在使模型在有限或受限访问之前学

到的知识相关数据的情况下，保留现有知识的同时不断获取新知识，这些新知识

通常源自新的数据。根据定义的不同场景，连续学习通常被归类为任务增量学习、

类别增量学习[4]和领域增量学习。在这三种设置中，类别增量学习研究最为广泛。

以分类任务为例，类别增量学习将数据集分为多个会话，不同会话中的类别不重

1

叠。模型需要随着时间推移学习每个会话的类别，并在每次更新后对所有类别进

行评估。相比之下，任务增量学习假设在评估时知道数据属于哪个会话，允许模型

仅在其对应的任务中进行分类。另一方面，在领域增量学习中，不同的会话涉及来

自同一组类别的数据，但具有不同的分布。模型需要在执行分类的同时正确识别

测试数据的域。针对这些设置的研究已显著提高了多阶段微调场景下的模型性能。

然而，尽管增量学习研究取得了显著进展，当前的研究范式仍局限于封闭环

境，其中每个阶段的新类数量和总阶段数是预先确定的。此外，新的阶段数据仅

包含新的类别，这仍然与现实的开放世界场景[5–7]有所偏离。在一个真实的开放

世界设置中，其未知类别的数量和相的数量本质上都是不确定的。而且，每个阶

段的新数据可能是已知类和未知类的混合体。在知识更新过程中，模型面临各种