面向无样本类增量学习的判别性与一致性
计算机视觉与模式识别
2025-01-28 v1
摘要
无样本类增量学习(EF-CIL)是一个需要在不存储和回放任何旧类样本的前提下，持续丰富模型能力以学习新类的任务。一种新兴以理论为导向的框架进行 CIL 训练，针对共享网络训练任务特定模型，将遗忘压力转移到任务 ID 预测上。在 EF-CIL 中，由于缺乏样本回放等跨任务相互作用，任务 ID 预测更具挑战性。为此，我们对保持判别性和一致性特征空间的重要性和可行性进行了理论分析，提出了一种新方法称为 DCNet。具体而言，我们逐步将类表示映射到超球面空间，其中不同类呈正交分布以实现充分的类间分离。同时，我们引入补偿训练以自适应调整监督强度，从而实现类内聚合程度的对齐。大量实验和理论分析验证了所提出 DCNet 的优势。
引用
@article{arxiv.2501.15454,
title = {On the Discrimination and Consistency for Exemplar-Free Class Incremental Learning},
author = {Tianqi Wang and Jingcai Guo and Depeng Li and Zhi Chen},
journal= {arXiv preprint arXiv:2501.15454},
year = {2025}
}
备注
13 pages, 4 figures