PANDA——用于长期持续学习的补丁与分布感知数据增强
计算机视觉与模式识别
2025-12-16 v3 图像与视频处理
摘要
无样本持续学习（EFCL）限制了对以前任务数据存储，容易受到灾难性遗忘。尽管越来越多地利用预训练模型（PTM）进行 EFCL，但现有方法常常忽视真实数据分布的内在不平衡。我们发现，真实世界的数据流常常表现出双层不平衡：数据集层面的分布与单个任务中的极端或逆转偏斜相结合，导致既存在任务内差异又存在任务间差异，这阻碍了有效学习和泛化。为解决这些挑战，我们提出了 PANDA，一种 Patch-和-分布感知数据增强框架，可无缝集成到现有的 PTM-based EFCL 方法中。PANDA 通过使用 CLIP 编码器识别代表性区域并将其移植到单个任务中频繁类的样本中，从而放大低频率类别。此外，PANDA 采用自适应平衡策略，利用先前任务的分布来平滑任务间的不平衡，减少跨任务平均样本数的整体差距，使冻结的 PTM 能够更公平地学习。广泛的实验和消融研究表明，PANDA 能够与现有的 PTM-based 持续学习方法协同工作，提高准确率并减少灾难性遗忘。
引用
@article{arxiv.2511.09791,
title = {PANDA -- Patch And Distribution-Aware Augmentation for Long-Tailed Exemplar-Free Continual Learning},
author = {Siddeshwar Raghavan and Jiangpeng He and Fengqing Zhu},
journal= {arXiv preprint arXiv:2511.09791},
year = {2025}
}
备注
Accepted in AAAI 2026 Main Technical Track