面向远程感知的持续自监督学习的塑性感知方法
计算机视觉与模式识别
2025-05-19 v2
摘要
持续自监督学习（CSSL）方法因其能够从连续无标签数据流中顺序学习新任务而在远程感知（RS）中受到日益关注。现有CSSL方法在学习新任务时关注防止灾难性遗忘。为此，它们大多使用正则化策略来保留先前任务的知识。这会降低模型适应新任务数据（即学习塑性）的能力，从而影响性能。为此问题，本文提出一种新的CSSL方法，旨在顺序学习任务，同时实现高学习塑性。为此，本文方法采用具有集成解耦机制的知识蒸馏策略。通过首先将特征维度分为任务通用部分和任务特定部分来实现解耦。然后，强制任务通用特征相关，以确保记忆稳定性；而任务特定特征被强制解相关，以促进新特征的学习。实验结果表明，与CaSSLe等常用CSSL框架相比，本文方法在任务递增场景下平均准确率提高最高可达1.12%，顽固性提高2.33%；在类别递增场景下，平均准确率提高1.24%，顽固性提高2.01%。
引用
@article{arxiv.2503.24088,
title = {A Plasticity-Aware Method for Continual Self-Supervised Learning in Remote Sensing},
author = {Lars Möllenbrok and Behnood Rasti and Begüm Demir},
journal= {arXiv preprint arXiv:2503.24088},
year = {2025}
}
备注
We found the reported results of the compared method to be misleading