第 5 届 CLVision 挑战技术报告：利用无标签数据解决具有重复的类别递增学习问题
计算机视觉与模式识别
2025-03-21 v1
摘要
本文概述了我们对第 5 届 CLVision 挑战（CVPR）的方法，该挑战针对包含重复的类别递增学习（Class-Incremental with Repetition, CIR）场景。与传统的类别递增学习不同，此新设置引入了独特的挑战和研究机会，尤其是通过将无标签数据集成到训练过程中。在 CIR 场景中，遇到的类别可能在后续学习经验中重新出现，每个经验可能仅涉及整体类别分布的子集。此外，训练期间提供的无标签数据可能包含未见类别的实例，或不相关类别的实例，这些应被忽略。我们的ethods 侧重于通过利用知识蒸馏和伪标签技术来保留先前学习的知识。我们方法的关键特征是利用训练期间的无标签数据，以保持对先前 encountered 类别实例的最佳性能，并减少灾难性遗忘的负面影响。我们的方法在预筛选阶段实现了 16.68% 的平均准确率，在最终评估阶段实现了 21.19% 的准确率，显著优于基线准确率的 9.39%。我们在 https://github.com/panagiotamoraiti/continual-learning-challenge-2024 提供了实现代码。
引用
@article{arxiv.2503.15697,
title = {Technical Report for the 5th CLVision Challenge at CVPR: Addressing the Class-Incremental with Repetition using Unlabeled Data -- 4th Place Solution},
author = {Panagiota Moraiti and Efstathios Karypidis},
journal= {arXiv preprint arXiv:2503.15697},
year = {2025}
}