L3A：面向多标签类增量学习的标签增强解析自适应方法
计算机视觉与模式识别
2025-06-03 v1 人工智能
摘要
类增量学习（CIL）使模型能够持续学习新类而不遗忘先前获取的知识。多标签 CIL（MLCIL）将 CIL 扩展到每个样本可能属于多个类别的真实世界场景，引入了若干挑战：标签缺失，即由于标签丢失导致历史信息不完整；以及类别不平衡，即模型偏向多数类。为了应对这些挑战，我们提出了标签增强解析自适应（L3A），这是一种无需存储过去样本的无范例方法。L3A 集成了两个关键模块。伪标签（PL）模块通过为当前阶段的样本生成伪标签来实现标签增强，解决标签缺失问题。加权解析分类器（WAC）为神经网络推导出闭式解。它引入了特定于样本的权重，以自适应地平衡类别贡献并缓解类别不平衡。在 MS-COCO 和 PASCAL VOC 数据集上的实验表明，L3A 在 MLCIL 任务中优于现有方法。我们的代码可在 https://github.com/scut-zx/L3A 获取。
引用
@article{arxiv.2506.00816,
title = {L3A: Label-Augmented Analytic Adaptation for Multi-Label Class Incremental Learning},
author = {Xiang Zhang and Run He and Jiao Chen and Di Fang and Ming Li and Ziqian Zeng and Cen Chen and Huiping Zhuang},
journal= {arXiv preprint arXiv:2506.00816},
year = {2025}
}
备注
Accepted by ICML2025