Page 171 - 《软件学报》2025年第7期

3092 软件学报 2025 年第 36 卷第 7 期

发送回客户端.

2.2 生成特征重放
由于在复杂的任务中, 基于图像生成的方法往往难以生成高质量的图像, 因此 Liu 等人 [33] 提出了基于生成特
征重放的类别增量学习方法, 通过重放以往任务的特征以缓解当前任务训练过程中模型对于以往任务知识的遗

忘. 具体来说, 该方法中训练了一个特征生成器 G t 将特征的条件分布 p u = (u|c) 建模为 ˆ u = G t (c,z), 在训练新任务
时, 从该分布中进行采样得到生成的特征与新数据提取的特征一起完成分类器的训练. 该工作中采用 WGAN 进行
特征建模和生成重放, 以实现增量学习. 其中, 生成器和鉴别器在训练过程中的损失函数如下:

L WGAN (X t ) = −E z∼p z , c∈C t [D t (c,G t (c,z))] (5)
G t
L WGAN (X t ) = +E z∼p z , c∈C t [D t (c,G t (c,z))]− E u∼D t [D t (c,F t (x))] (6)
D t
z
在训练过程中还加入了重放对齐损失, 当以一个给定的先前类别 c 和一个潜在向量 为条件时, 该重放损失鼓
励当前任务的生成器 G t 重放与以往任务生成器 G t−1 一致的特征. 重放对齐损失的计算方法如下:

∑
t−1 ∑
2
L RA = E z∼p z [∥G t (c,z)−G t−1 (c,z)∥ ] (7)
G t 2
j=1 c∈C j
在模型对抗训练过程中, 交替更新鉴别器和生成器, 其中, 鉴别器的训练通过最小化判别损失 L WGAN (X t ) 来完
D t
成, 而生成器的训练通过同时最小化 L WGAN (X t ) 和 L RA 的联合损失完成.
G t G t
F t−1 对
此外, 为了缓解在新任务训练过程中特征提取器的知识遗忘, 该工作中还通过以往任务的特征提取器
当前任务的特征提取器 F t 进行了特征蒸馏, 该特征蒸馏损失的计算方法为:

FD
L (X t ) = E x∼X t [∥F t (x)− F t−1 (x)∥ 2 ] (8)
F t
3 本文方法

3.1 基于生成特征重放的安全增量虹膜识别
(1) 方法整体架构. 虹膜识别的实际应用场景中往往有注册新用户的需求, 这种需求类似增量学习任务, 在本
文中将这种需求定义为扩展任务. 而在基于神经网络的安全虹膜识别模型扩展的过程中往往存在灾难性遗忘问
题, 进而引起扩展任务的识别准确率显著下降. 对此, 本文引入生成特征重放技术对 TNCB 方法进行改进, 提出了
基于生成特征重放的安全可扩展虹膜识别方法 (GFR-SIR), 架构如图 2 所示.

服务器
分类器 H(·)

识别结果 发送到服务器
返回客户端 请求虹膜识别
虹膜识别客户端
经过 PerMIF 特征提取器 特征 转换网络 隐私保护
变换的图像 F(·) T(·) 模板

图 2 基于生成特征重放的安全增量虹膜识别方法模型部署架构