摘要

在现有的基于深度神经网络的图像分类系统中，图像分类所需的知识被隐式地存储于模型参数之中。若用户希望更新这些知识，则必须对模型参数进行微调。此外，用户无法验证推理结果的有效性，也无法评估特定知识对最终结果的贡献程度。本文提出一种新型系统，将图像分类所需的知识（如图像特征图、类别标签和原始图像）不存储于模型参数中，而是保存在外部高容量存储设备中，类似数据库的形式。在对输入图像进行分类时，该系统会参考这一外部存储库。当需要扩充知识时，系统通过更新数据库来实现，而非微调模型参数，从而有效避免了增量学习场景下的灾难性遗忘问题。我们重新审视了kNN（k-近邻）分类器，并将其引入本系统中。通过分析kNN算法所参考的邻近样本，能够解释历史知识在当前推理过程中的具体使用方式，实现对模型决策过程的可解释性分析。实验结果表明，该系统在ImageNet数据集上，无需在预训练后对模型参数进行微调，即可达到79.8%的Top-1准确率；在任务增量学习设置下的Split CIFAR-100数据集上，准确率高达90.8%。