P2L-CA: 一种面向无记忆缓冲的多标签类增量学习的有效参数调优框架
计算机视觉与模式识别
2026-01-21 v1 机器学习
摘要
多标签类增量学习旨在持续识别复杂场景中同时出现的多个新类别。然而，现有方法常因全参数微调导致高昂计算成本，或因使用记忆缓冲带来大量存储开销，亦或难以充分解决特征混淆和领域差异问题。为克服这些局限，我们提出P2L-CA，一个参数高效的框架，集成了提示到标签模块与连续适配器模块。P2L模块利用类别特定提示来解耦多标签表示，同时融入语言先验以强制实现稳定的语义-视觉对齐。同时，CA模块采用轻量级适配器来缓解预训练模型与下游任务之间的领域差距，从而增强模型可塑性。在MS-COCO和PASCAL VOC数据集上的标准及具有挑战性的MLCIL设置下进行的大量实验表明，P2L-CA不仅相较于最先进方法取得了显著改进，而且在CIL场景中展现出强大的泛化能力，同时仅需极少的可训练参数，并消除了对记忆缓冲的需求。
引用
@article{arxiv.2601.12714,
title = {P2L-CA: An Effective Parameter Tuning Framework for Rehearsal-Free Multi-Label Class-Incremental Learning},
author = {Songlin Dong and Jiangyang Li and Chenhao Ding and Zhiheng Ma and Haoyu Luo and Yuhang He and Yihong Gong},
journal= {arXiv preprint arXiv:2601.12714},
year = {2026}
}
备注
12 pages, 5 figures