用于图像类增量学习的通用双分支框架

深度神经网络在学习新知识时往往会严重遗忘先前学到的知识。各种持续学习 (CL) 方法已从不同角度被提出以处理这种灾难性遗忘问题，并取得了实质性改进。在本文中，提出了一种新颖的双分支持续学习框架，以进一步增强大多数现有的 CL 方法。具体而言，主分支可以是任何现有的 CL 模型，而新引入的侧分支是一个轻量级卷积网络。每个主分支块的输出由相应侧分支块的输出进行调制。这种简单的双分支模型随后可以轻松实现，并在无需复杂技巧的常规优化设置下进行学习。在多个图像数据集上进行的各种设置的广泛实验表明，所提出的框架相较于最先进的方法产生了一致的改进。