Cross-Sample Relational Fusion：统一处理域泛化与类增量学习
计算机视觉与模式识别
2026-05-12 v1
摘要
类增量学习(CIL)要求学习系统在保留先前已学习知识的同时学习新类别。然而，在实际场景中，例如在阳光天气下的城市道路上训练的系统，后续可能需要在乡村或高速路环境中运行，这些环境的交通模式和天气条件不同。这要求模型不仅要克服灾难性遗忘，还能有效处理域迁移。在本文中，我们提出了 CrOss-sample Relational Fusion(CORF)，一个统一框架来同时解决域迁移和灾难性遗忘的问题。为增强可泛性，我们通过利用空间贡献图来突出显示语义信息区域，进行训练样本的选择性精炼。此外，我们纳入预测置信度来自适应地加权样本，从而促进学习域无关表示。为缓解遗忘，我们提出了级联蒸馏框架，捕捉跨样本在多个特征层次中的关系依赖，实现从先前任务中实现多粒度知识传递。CORF 可以无缝集成到现有的 CIL 算法中，以增强其可泛性，在各种基准数据集上实现优异的性能。代码已在 https://github.com/LAMDA-CL/TMM26-CORF 上提供。
引用
@article{arxiv.2605.08839,
title = {Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning},
author = {Zhen-Hao Xie and Yan Wang and Hao Sun and Han-Jia Ye and De-Chuan Zhan and Da-Wei Zhou},
journal= {arXiv preprint arXiv:2605.08839},
year = {2026}
}
备注
Accepted by IEEE Transactions on Multimedia (TMM 2026). Code is available at https://github.com/LAMDA-CL/TMM26-CORF