面向类增量学习的任务无关引导特征扩展
计算机视觉与模式识别
2025-03-04 v1
摘要
在类增量学习（Class-Incremental Learning, CIL）中，学习系统保持已学习知识的能力是理想的。最近，特征扩展成为 CIL 中流行的解决方案，其中在新任务训练期间固定旧特征，同时扩展新特征以适应新任务。然而，这些来自新任务学习的任务特定特征可能与旧特征发生冲突，导致任务之间的误分类。因此，通常鼓励扩展后的模型捕获来自新任务的多样化特征，以避免此类冲突。然而，现有解决方案主要局限于当前任务的样本，因为对先前样本的可及性较差。为促进跨任务的多样化特征学习与迁移，我们提出一种名为 TagFex（Task-Agnostic Guided Feature Expansion，任务无关引导特征扩展）的框架。首先，使用独立模型持续捕获任务无关特征，为后续任务提供额外的任务无关特征。其次，为了从任务无关模型获取当前任务有用的特征，将任务无关特征与任务特定特征聚合。然后将聚合后的特征传递回任务特定特征中用于推理，从而帮助任务特定模型捕获多样化特征。大量实验表明 TagFex 在各种 CIL 设置下有效且优于现有方法。代码已公开 https://github.com/bwnzheng/TagFex_CVPR2025。
引用
@article{arxiv.2503.00823,
title = {Task-Agnostic Guided Feature Expansion for Class-Incremental Learning},
author = {Bowen Zheng and Da-Wei Zhou and Han-Jia Ye and De-Chuan Zhan},
journal= {arXiv preprint arXiv:2503.00823},
year = {2025}
}
备注
Accepted to CVPR2025