基于自监督学习的无样本类增量动作识别框架：伪特征生成机制与平衡稳定性-可塑性的新范式

针对类增量动作识别(CILAR)中存储依赖导致的过拟合和隐私问题，研究人员提出基于自监督学习的无样本框架(EFCIAR)。通过伪特征生成器(PFG)利用类别均值方差生成历史特征，冻结特征提取器并联合训练新类数据，在UCF101等四大数据集验证中实现稳定性与可塑性的平衡，为实际应用提供高效解决方案。

　　

在计算机视觉领域，动作识别技术因其在安防监控、自动驾驶等场景的应用价值备受关注。然而，现有基于卷积神经网络(CNN)的方法面临"全数据训练"的瓶颈——当新增动作类别时，传统模型需重新训练全部数据以避免灾难性遗忘(CF)。更棘手的是，依赖存储历史样本的类增量动作识别(CILAR)方法不仅带来存储负担，还存在隐私泄露风险，且样本质量直接影响模型性能。如何在不存储原始数据的前提下实现持续学习，成为制约技术落地的关键难题。

针对这一挑战，研究人员创新性地提出EFCIAR框架。该框架通过自监督预训练构建强泛化能力的特征提取器，并设计伪特征生成器(PFG)动态合成历史类别的特征分布。具体采用三大核心技术：1) 基于自监督学习和知识蒸馏的特征提取器预训练；2) 利用均值-方差统计量生成历史类伪特征；3) 冻结特征提取器下的分类器增量训练。在UCF101、HMDB51等数据集上的实验表明，仅需存储类别统计量即可维持历史识别精度，显著降低存储开销。

Method部分揭示其核心机制：将数据集D分为T个非重叠子集后，PFG根据存储的类别均值μ_c和方差σ_{c生成符合高斯分布的伪特征。特征提取器通过自监督对比学习初始化后冻结，确保特征空间稳定性；新分类器则联合训练真实新类特征与生成旧类特征，解决数据不平衡问题。}

Experiments部分验证：在50-50新旧类测试协议下，EFCIAR在Kinetics数据集上平均准确率提升12.7%，存储需求仅为回放方法的0.3%。消融实验证实，自监督预训练使特征可分离性提高23.5%，而知识蒸馏损失函数有效抑制特征空间扭曲。

Conclusion部分强调，该研究首次实现完全无样本的持续动作识别，通过PFG机制和特征空间固化策略，在隐私保护前提下达成稳定性-可塑性平衡。发表于《Image and Vision Computing》的这项成果，为医疗监控等敏感场景的持续学习系统提供了可落地的技术路径，其均值-方差特征重构思路对跨模态增量学习亦有启发价值。