SATHUR: 用于广义类增量学习的自我增强任务幻象统一表示

ICCVAug, 2023

SATHUR: 用于广义类增量学习的自我增强任务幻象统一表示

SATHUR: Self Augmenting Task Hallucinal Unified Representation for Generalized Class Incremental Learning

Sathursan Kanagarajah, Thanuja Ambegoda, Ranga Rodrigo

TL;DR本研究介绍了自增强任务幻觉统一表示（SATHUR），通过重新初始化 Grow When Required（GWR）网络与当前特征提取器对齐，以增强 GWR 的分类性能，从而显著优于其他 CIFAR-100 和 CORe50 数据集上的最先进的广义级别增进学习方法。

Abstract

class incremental learning (CIL) is inspired by the human ability to learn new classes without forgetting previous ones. CIL becomes more challenging in real-world scenarios when the samples in each incremental step are imbalanced. This creates another branch of problem, called General

class incremental learning generalized class incremental learning grow when required network self augmenting task hallucinal unified representation convolutional neural network

发现论文，激发创造

基于标签生成的类增量学习

本文提出了一种新的类增量学习方法（VAG），通过将类增量学习视为一个连续标签生成问题，利用预先训练模型的可推广表达来减少灾难性遗忘，并利用词汇表的稀疏性来聚焦生成，同时通过使用标签语义来创建伪重放样本。实验结果表明，VAG 方法的表现优于基线方法。

Jun, 2023

G-ACIL: 支持无样本示例的广义类增量学习的分析学习

通过采用解析学习（一种无梯度训练技术）和生成 GCIL 场景的解析解，我们提出了一种无样本的广义解析类增量学习方法（G-ACIL），通过将传入数据分解为暴露和未暴露的类别，实现了增量学习与联合训练之间的等价性（即权重不变性），该等价性通过矩阵分析工具在理论上得到验证，在各种数据集和 GCIL 设置上的实验证明了 G-ACIL 相对于现有竞争 GCIL 方法具有卓越的性能和高鲁棒性。

Mar, 2024

面向演化图的鲁棒图增量学习

本文研究了基于图结构数据的递增学习问题，提出了一种名为结构转移风险缓解（SSRM）的正则化技术，用来解决非独立、非同分布特性所带来的问题，并通过实证研究验证了该方法在增量学习框架中的性能优越性。

Feb, 2024

TaE: 面向长尾类增量学习的任务感知可扩展表示

通过采用动态网络算法和中心点增强方法，提出一种任务感知可扩展的框架（Task-aware Expandable，TaE），用于解决长尾类增量学习问题，并在 CIFAR-100 和 ImageNet100 数据集上进行实验证明其能取得最先进的性能。

Feb, 2024

增强对比图到图记忆交互用于少样本连续学习

通过引入 Local Graph Preservation 机制和 Contrast-Augmented G2G 来减轻 catastrophic forgetting 和处理新 session 中类别的样本稀缺问题，本方法在 CIFAR100、CUB200 和 ImageNet-R 数据集上对比实验证明其优越性。

Mar, 2024

SRIL: 用于类增量学习的选择性正则化

本文提出了一种选择性正则化方法，使用偏心特征蒸馏方法来判断是否执行模式完成或模式分离，并调节如何转移到前一模型的权重以保持先前知识，该方法在 CIFAR-100，ImageNet-Subset 和 ImageNet-Full 数据集上超越了现有方法的性能。

May, 2023

多变量原型表示的领域泛化增量学习

研究了深度学习模型在使用新类别样本进行微调时面临的灾难性遗忘问题，特别关注训练和测试数据之间的领域转变。设计了一种能够记忆旧类别、适应新类别并能够可靠地对来自未见领域的对象进行分类的 DGCIL 方法，通过使用知识蒸馏和估计旧类别原型的漂移，结合多变量正态分布，不断适应模型特征的变化以更好地表示旧类别。经过多个基准测试实验证实了我们的说法。

Sep, 2023

基于层次一致对比学习及增长增强的骨架动作识别

本文提出了一种基于骨骼的行为识别的一般性逐层一致对比学习框架 (HiCLR)，并探索了使用强数据增强进行对比学习的潜力，同时提出了一个不对称损失以保证其鲁棒性，实验表明该方法在 NTU60、NTU120 和 PKUMMD 等三个大型数据集上优于现有技术。

Nov, 2022

连续音频 - 视觉学习的增量聚类网络

提出了一种新颖的类增量分组网络 (CIGN)，可以学习类别级的语义特征，以实现持续的视听学习，取得了最先进的视听类别增量学习性能。

Sep, 2023

用模型遗忘方法提升生成式类增量学习性能

本研究通过引入遗忘机制，提出了一种新颖的生成类增量学习（GCIL）方法，旨在动态管理类信息以更好地适应流数据。通过实验证明，将遗忘机制整合到 GCIL 中，显著提高了模型在获取新知识方面的性能，凸显了策略性遗忘在不断学习过程中的积极作用。

Mar, 2024