基于可学习漂移补偿的无类标持续表征学习

使用从头训练的主干网络并以小型第一个任务为起点进行无类标增量学习，对于持续表征学习是一个重要挑战。原型基方法在不断更新时，因原型漂移问题而面临关键挑战，即旧类原型在新的特征空间中漂移到不同位置。通过对原型基持续学习的分析，我们表明遗忘并非由于特征提取器判别力的下降，而且可以通过漂移补偿来纠正。为此，我们提出可学习漂移补偿（LDC），它能有效缓解任何移动主干网络（无论有监督还是无监督）中的漂移。LDC 快速且简单易集成到现有持续学习方法的顶部。此外，我们展示了LDC如何可与自监督持续学习方法结合应用，实现首个无类标半监督持续学习方法。我们在多个数据集上实现了有监督和半监督设置下的领先性能。代码可在 \url{https://github.com/alviur/ldc} 获取。