CLIFF: 用于二维材料识别中增量薄片特征的持续学习
计算机视觉与模式识别
2026-03-03 v3 机器学习
摘要
识别量子薄片对可扩展量子硬件至关重要；然而，由于不同材料之间存在显著的外观变化，从光学显微镜进行自动化层分类仍具有挑战性。本文提出了一种新的薄片层分类持续学习框架（CLIFF）。据我们所知，这项工作代表了二维（2D）材料中持续学习的首次系统性研究。所提出的框架通过冻结在参考材料上训练的主干网络和基础头，使模型能够区分材料及其物理和光学特性。对于每种新材料，它学习一个材料特定的提示、嵌入和一个增量头。提示池和余弦相似度门调节特征并计算材料特定的修正。此外，还引入了基于知识蒸馏的记忆回放。CLIFF在保持显著更低遗忘度的情况下，以竞争性精度超越了朴素微调和基于提示的基线方法。
引用
@article{arxiv.2508.17261,
title = {CLIFF: Continual Learning for Incremental Flake Features in 2D Material Identification},
author = {Sankalp Pandey and Xuan Bac Nguyen and Nicholas Borys and Hugh Churchill and Khoa Luu},
journal= {arXiv preprint arXiv:2508.17261},
year = {2026}
}