用分层语言引导补偿视觉不足以实现长尾类增量学习
人工智能
2026-03-24 v1 计算机视觉与模式识别
摘要
长尾类增量学习（LT CIL）仍然极具挑战性，因为尾部类别的样本稀缺不仅阻碍了它们的学习，而且在持续演变且不平衡的数据分布下加剧了灾难性遗忘。为了解决这些问题，我们利用语言知识的信息性和可扩展性。具体来说，我们分析长尾类增量学习的数据分布，以指导大语言模型（LLMs）生成一个分层语言树，该树将语义信息从粗粒度到细粒度进行层次化组织。基于此结构，我们引入了分层自适应语言引导，它利用可学习权重来融合多尺度语义表示，从而实现对尾部类别的动态监督调整，减轻数据不平衡的影响。此外，我们引入了分层对齐语言引导，它利用语言树的结构稳定性来约束优化并强化语义视觉对齐，从而缓解灾难性遗忘。在多个基准上的大量实验表明，我们的方法达到了最先进的性能。
引用
@article{arxiv.2603.21708,
title = {Compensating Visual Insufficiency with Stratified Language Guidance for Long-Tail Class Incremental Learning},
author = {Xi Wang and Xu Yang and Donghao Sun and Cheng Deng},
journal= {arXiv preprint arXiv:2603.21708},
year = {2026}
}