基于基础模型的 3D 零样本类别增量学习通过训练-free 适配器

深度学习在处理点云方面的最新进展正引起广泛关注，尤其是针对 3D 计算机视觉中的零样本类别增量学习 (Few-Shot Class Incremental Learning, FSCIL)。本文提出一种新方法，以解决 3D 点云环境下的零样本持续增量学习 (Few-Shot Continual Incremental Learning, FSCIL) 问题。我们利用在点云数据上进行广泛训练的基础 3D 模型。借鉴基础模型近期的改进，因其在不同任务间表现良好，本文提出一种无需额外训练即可适应新任务的策略。我们的方法采用双缓存系统：首先，依据模型对预测置信度高低，选取以前的测试样本以防止遗忘；其次，包含少量新任务样本以防止过拟合。这种动态适应确保了无需大量微调即可在不同学习任务中获得佳绩。我们在 ModelNet、ShapeNet、ScanObjectNN 和 CO3D 等数据集上进行测试，表明该方法优于其他 FSCIL 方法，显示出其有效性和通用性。代码已公开于 \url{https://github.com/ahmadisahar/ACCV_FCIL3D}。