类别无关增量：一种高效的多标签类别增量学习方法
计算机视觉与模式识别
2025-11-27 v2
摘要
当前的类别增量学习研究主要聚焦于单标签分类任务。然而，真实世界的应用通常涉及多标签场景，如图像检索和医学影像。因此，本文聚焦于具有挑战性且实用的多标签类别增量学习（MLCIL）问题。除灾难性遗忘的挑战外，MLCIL 还面临特征混淆问题，包括会话间混淆和会话内特征混淆。为解决这些问题，我们提出了一种名为类别无关增量（CLIN）的新 MLCIL 方法。具体而言，与现有提取图像级特征的方法不同，我们提出了类别无关增量网络（CINet），用于从多标签样本中提取多个类别级嵌入。它通过构建类别特定 token 来学习和保留不同类别的知识。在此基础上，我们开发了两种新颖的损失函数，分别优化类别特定 token 和类别级嵌入的学习。这些损失旨在区分新类别和旧类别，进一步缓解特征混淆问题。在 MS-COCO 和 PASCAL VOC 数据集上的大量实验证明了我们方法在改善各种 MLCIL 任务的识别性能和减轻遗忘方面的有效性。
引用
@article{arxiv.2503.00515,
title = {Class-Independent Increment: An Efficient Approach for Multi-label Class-Incremental Learning},
author = {Chenhao Ding and Songlin Dong and Zhengdong Zhou and Jizhou Han and Qiang Wang and Yuhang He and Yihong Gong},
journal= {arXiv preprint arXiv:2503.00515},
year = {2025}
}