Leveraging Old Knowledge to Continually Learn New Classes in Medical Images

这两天看到一篇很有意思的论文，看完以后，我决定后续的研究方向会以这个方向为主。这篇文章主要是讲了类增量持续学习的概念。我个人觉着这个概念很好，很不错。该概念是可以通过学习新概念来不断适应环境的变化，而不会忘记以前学过的概念。这在医学领域尤其需要，因为它需要不断地从新的输入数据中学习，以便对一组扩大的疾病进行分类。在这项工作中，我们关注于如何利用旧的知识来学习新的类，同时避免灾难性遗忘。

这篇文章提出的框架利用先前学到的特征来学习新类别。采用动态扩展网络以容纳新特征而不损害旧特征。为了保持对先前见过的类别的性能，还采用了正则化损失和数据回放策略。此外，为了处理高度倾斜的类别分布，采用了成本敏感学习，并对来自欠表示的旧类别的样本施加更高的惩罚。

整个文章的思路技术下面该结构。具体细节，大家可以自己看论文，文章中是一种分类操作，其实我们可以用于其他的医学图像任务，比如医学图像分割方面，后续我也会在这上面继续研究。