基于贝叶斯学习驱动的原型对比损失用于类别递增学习
计算机视觉与模式识别
2025-04-01 v3 人工智能
摘要
持续学习方法的主要目标是在时间上顺序学习任务（有时从数据流中学习），同时缓解灾难性遗忘现象。本文提出一种方法，用于在先前遇到的类别原型与新遇到的类别原型之间学习有效的表示。我们提出一种针对类别递增学习场景的原型网络，采用贝叶斯学习驱动的对比损失（BLCL）。我们引入一种对比损失，通过减小类内距离和增大类间距离来将新类别纳入潜在表示中。我们的 approach 动态地通过贝叶斯学习技术调整交叉熵损失和对比损失函数之间的平衡。在CIFAR-10、CIFAR-100和ImageNet100数据集上的实验结果（用于图像分类）以及针对GNSS数据集的干扰分类结果，表明我们的方法在现有SOTA方法上具有优势。
引用
@article{arxiv.2405.11067,
title = {Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning},
author = {Nisha L. Raichur and Lucas Heublein and Tobias Feigl and Alexander Rügamer and Christopher Mutschler and Felix Ott},
journal= {arXiv preprint arXiv:2405.11067},
year = {2025}
}
备注
27 pages, 22 figures