面向无样本类增量学习的互补非对称表示学习

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Complementary Asymmetric Representation Learning for Exemplar-Free Class-Incremental Learning

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

无样本类增量学习（EFCIL）提出了一个挑战，即模型在学习新类别时无法访问先前任务的数据，从而导致灾难性遗忘。最近的方法在初始任务之后冻结特征提取器，仅将分类机制适应于新类别，取得了强大的性能。然而，它们在很大程度上忽视了提高冻结的特征提取器对未见类别的适应性，这限制了进一步的性能提升。为了解决这一限制，我们提出了一种新颖的互补非对称表示学习（CARL）框架，以增强模型对未见类别的适应性。CARL 的核心是非对称表示学习（ARL）架构，它将一个为初始任务提取判别性特征的基编码器与其输出端添加的投影多层感知机（MLP）头相结合。通过引入投影头，基编码器的原始输出表示在投影分支中成为中间表示，鼓励编码器学习更具泛化性的特征。这使模型能够保留初始学习类别的判别性表示，同时提高其对未见类别的适应性。此外，CARL 框架采用两个并行的 ARL 分支，并在推理期间聚合它们的马氏距离以提高预测性能。为了评估 CARL 的有效性，我们使用三个广泛认可的数据集将其与最近的方法进行了比较。该方法在 CIFAR-100 上比最佳竞争方法提高了 3.70 个百分点的平均准确率，在 Tiny-ImageNet 上提高了 2.63 个百分点，在 ImageNet-Subset 上提高了 2.90 个百分点。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，并非由文章作者撰写或审核。它旨在支持发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威版本。点击此处了解更多。

点击 此处 对本摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。