A Memory-Efficient Class-Incremental Learning Framework for Remote Sensing Scene Classification via Feature Replay

Yunze Wei

doi:10.3390/rs18060896

2026-03-15

DOI：10.3390/rs18060896

原文链接

原文求助

摘要

En 中文

大多数现有的用于遥感场景分类（RSSC）的深度学习模型采用离线学习范式，在该范式中，所有类别在固定类别的数据集上联合优化。在包含流数据和新兴类别的动态现实场景中，这些范式在模型增量训练新数据时，固有地容易发生灾难性遗忘。最近，越来越多的类别增量学习（CIL）方法被提出以解决这些问题，其中一些方法通过复现先前任务中的训练数据实现了有前景的性能。然而，在现实场景中实施此类策略往往具有挑战性，因为存储历史数据的要求常常与严格的内存限制和数据隐私协议相冲突。为解决这些挑战，我们为RSSC提出了一种新颖的内存高效特征复现CIL框架（FR-CIL），该框架保留紧凑的特征嵌入，而非原始图像，作为先前学习类别的范例。具体而言，提出了一种渐进多尺度特征增强（PMFE）模块以缓解表示歧义。它采用渐进式构建方案以实现精细且交互式的特征增强，从而提升模型对遥感场景的表示能力。随后，在转换学习范式下，采用流形一致性正则化训练了一个专门的特征校准网络（FCN），以将存储的特征描述符适应到更新的特征空间，从而有效补偿特征空间漂移并实现统一分类器。在特征校准之后，采用偏差校正（BR）策略通过仅在平衡范例集上优化分类器来减轻预测偏差。因此，该内存高效的CIL框架不仅解决了数据隐私问题，还缓解了表示漂移和分类器偏差。在公开数据集上的大量实验证明了所提出方法的有效性和鲁棒性。值得注意的是，FR-CIL在六任务AID、七任务RSI-CB256和九任务NWPU-45数据集上的平均准确率分别超越了领先的最优CIL方法3.75%、3.09%和2.82%。同时，它将内存存储需求降低了超过94.7%，突显了其在严格内存约束下应用于现实RSSC场景的巨大潜力。

Keyword:

class-incremental learning

catastrophic forgetting

remote sensing scene classification