针对无样本类增量学习的对抗伪回放

无样本类增量学习（EFCIL）旨在在不存储先前图像的情况下，保留先前任务中获得的旧知识，同时学习新类别，这种情况由于存储限制或隐私 concerns 而导致。 在EFCIL中，塑性-稳定性困境，即学习新任务与灾难性遗忘之间的挑战，是重要挑战，主要由于无法获取Earlier任务的图像。在本文中，我们引入对抗伪回放（APR），一种通过对新任务图像进行对抗攻击来合成伪回放图像的技术，从而在不存储任何回放样本的情况下在线生成伪回放图像。在新任务训练期间，对新任务图像进行对抗攻击，目标是增强的旧类别均值原型，生成的图像用于知识蒸馏以防止语义漂移。此外，我们通过在伪回放样本上学习迁移矩阵来校准每个任务后的协方差矩阵，以补偿语义漂移。我们的方法实现了稳定性和塑性的和谐，在标准EFCIL基准的挑战性cold-start设置下实现了最先进的性能。