基于随机辅助类增强与混合特征的无范例类增量学习

无范例类增量学习指的是在不存储旧类样本的情况下对新旧类进行分类。由于仅可用新类样本进行优化，常常发生对旧知识的灾难性遗忘。为缓解该问题，许多新方法被提出，如模型蒸馏、类增强。在本文中，我们提出一种称为 RAMF 的有效无范例方法，由随机辅助类增强（Random Auxiliary classes augmentation）与混合特征（Mixed Feature）组成。一方面，我们设计了一种新颖的随机辅助类增强方法，从三种增强中随机选择一种应用于输入以生成增强样本和额外类标签。通过扩展数据和标签空间，它使模型能够学习更多样化的表示，从而防止模型偏向学习任务特定特征。在学习新任务时，这将减少特征空间的变化并提升模型泛化能力。另一方面，我们采用混合特征来替代新特征，因为仅使用新特征优化模型会影响先前嵌入特征空间中的表示。相反，通过混合新旧特征，可在不增加计算复杂度的前提下保留旧知识。在三个基准上的大量实验证明了我们方法的优越性，其优于最先进（state-of-the-art）的无范例方法，并与高性能的基于回放的方法相当。