DualCP：基于双层概念原型的无重hearsal 域递增学习
计算机视觉与模式识别
2025-03-25 v1
摘要
域递增学习 (DIL) 使视觉模型能够在实际环境中的变化条件下保持所学知识。鉴于隐私 concerns 和训练时间，无重hearsal DIL (RFDIL) 更为实用。受人类大脑增量认知过程的启发，我们为每个类别设计双层概念原型 (DualCP) 以解决 RFDIL 中学习新知识与保留旧知识之间的冲突。为构建 DualCP，我们提出概念原型生成器 (CPG)，为每个类别生成粗粒度和细粒度原型；此外，我们引入粗到细校准器 (C2F) 以对齐图像特征与 DualCP；最后，我们提出双点回归 (DDR) 损失函数优化 C2F 模块。在 DomainNet、CDDB 和 CORe50 数据集上进行大量实验表明我们方法的有效性。
引用
@article{arxiv.2503.18042,
title = {DualCP: Rehearsal-Free Domain-Incremental Learning via Dual-Level Concept Prototype},
author = {Qiang Wang and Yuhang He and SongLin Dong and Xiang Song and Jizhou Han and Haoyu Luo and Yihong Gong},
journal= {arXiv preprint arXiv:2503.18042},
year = {2025}
}
备注
Accepted at AAAI 2025