导航任务无关性类增量学习中的语义漂移
计算机视觉与模式识别
2025-02-18 v2
摘要
类增量学习（Class-Incremental Learning, CIL）旨在使模型能够顺序学习新类别，同时保留先前学习知识。当任务 ID 未知时，平衡灵活性与稳定性仍是重大挑战。为此，本研究揭示了新旧任务之间特征分布差异主要由均值和协方差矩的差异驱动。基于此洞察，我们提出一种新的语义漂移校准方法，包含均值漂移补偿和协方差校准。具体而言，我们计算每个类别的均值（通过平均其样本嵌入），并基于其与先前均值的接近程度估计任务漂移，从而有效捕获每个新任务中所有已学习类别的均值漂移。我们还应用马哈拉诺斯距离约束进行协方差校准，将旧网络与当前网络之间的类别特定嵌入协方差对齐，以减轻协方差漂移。此外，我们集成了特征层级自蒸馏方法以增强泛化。广泛的实验在常用数据集上证明了该方法的有效性。源代码可访问于 \href{https://github.com/fwu11/MACIL.git}{https://github.com/fwu11/MACIL.git}。
引用
@article{arxiv.2502.07560,
title = {Navigating Semantic Drift in Task-Agnostic Class-Incremental Learning},
author = {Fangwen Wu and Lechao Cheng and Shengeng Tang and Xiaofeng Zhu and Chaowei Fang and Dingwen Zhang and Meng Wang},
journal= {arXiv preprint arXiv:2502.07560},
year = {2025}
}
备注
11 pages