增广图卷积网络

跨任务标签关系

在多标签连续学习中，本网络能够构建跨任务标签关系并缓解灾难性遗忘。

Kaile, Du · Lyu, Fan · Li, Linyan · 胡伏原 · 冯伟 · Xu, Fenglei · 奚雪峰 · Cheng, Hanjing

IEEE Transactions on Multimedia 2023

技术优势

部分标签也能建关系

通过部分标签编码器从每个部分标签图像中提取动态类别表示作为图节点，即使在旧任务标签缺失时也能构建跨任务相关性。

自动增广标签关系

增广相关矩阵自动融合任务内和任务间的标签关系，无需人工设计拓扑，从而生成高效的类别表示。

保留旧任务的标签依赖

关系保持约束器防止遗忘旧任务中的标签依赖，从而在连续学习过程中维持旧知识的稳定性。

应用场景

• 多标签图像识别：在类别不断增加的场景中，精准识别每张图像的多个标签并保持旧类别性能。
• 连续学习：缓解灾难性遗忘，让模型在不重访旧数据的情况下持续学习新任务。
• 图神经网络：利用图结构建模标签间的关联，提升多标签分类的准确性和知识迁移。