通过深度嵌入聚类管理实现无监督视频类增量学习
计算机视觉与模式识别
2026-01-21 v1 人工智能
机器学习
摘要
无监督视频类增量学习（uVCIL）代表了一种重要的学习范式，旨在不遗忘且不考虑任何数据标签的情况下学习视频信息。先前的方法主要集中在有监督的类增量学习上，依赖于使用标签和任务边界的知识，这成本高昂，需要人工标注，或者根本不是一个现实的选择。在本文中，我们提出了一种简单而有效的方法来解决 uVCIL 问题。我们首先考虑一个深度特征提取器网络，在每个任务期间提供一组代表性的视频特征，而不假设任何类别或任务信息。然后，我们从提取的特征中逐步构建一系列深度聚类。在连续的任务学习过程中，从先前任务更新的模型被用作初始状态，以便将知识迁移到当前的学习任务中。我们在三个标准视频动作识别数据集（包括 UCF101、HMDB51 和 Something-to-Something V2）上进行了深入评估，忽略了监督设置中的标签。我们的方法在所有数据集上显著优于其他基线方法。
引用
@article{arxiv.2601.14069,
title = {Unsupervised Video Class-Incremental Learning via Deep Embedded Clustering Management},
author = {Nattapong Kurpukdee and Adrian G. Bors},
journal= {arXiv preprint arXiv:2601.14069},
year = {2026}
}