有效提示池学习用于持续类别发现

本文研究持续类别发现（CCD）中有效的提示池学习问题，这是一种具有挑战性的开放世界设置，要求模型从包含已知和新类别的连续无标签数据流中发现新类别，同时减轻对先前学习概念的灾难性遗忘。我们引入一系列新的基于提示池的框架，用于CCD，每种框架都探索不同的提示池设计。首先，我们提出PromptCCD，关注全局类原型，通过高斯混合提示（GMP）模块实现。GMP在特征嵌入上拟合生成式高斯混合模型，其中每个混合组件既作为类原型，又作为动态提示，用于条件化主干的表征。这种设计使标签自由的提示选择成为可能，并在发现阶段实时估计新出现的类别数量。通过系统性的光谱研究，我们表明类别计数而非样本大小是发现性能的主要瓶颈，这激励了更细粒度表征的需求。基于这一发现，我们提出PromptCCD++，通过部件级提示（PLP）模块关注对象部件原型。PLP将提示池分解为多个专门的部件级提示池。在发现阶段，这些池动态地将特定部件的提示分配给局部对象区域，无需手动部件注释，使模型能够学习对象-部件表征，从而提升类别发现。针对通用和细粒度基准进行大规模评估，并通过全面的消融研究，证明了我们框架在CCD中的有效性。