Multi-modality integrated class incremental learning networks for 3D object recognition

Yufei Zhang

doi:10.1016/j.knosys.2025.114778

Multi-modality integrated class incremental learning networks for 3D object recognition

2025-11-02

0

PRE

AI

DOI：10.1016/j.knosys.2025.114778

原文链接

原文求助

摘要

En 中文

多模态三维（3D）物体识别因其强大的性能和广泛的应用潜力，正受到各领域的关注。为使多模态学习网络能够持续适配新的数据和任务，我们提出了一种名为多模态融合类增量学习（MICIL）的新方法。MICIL将非线性网络学习简化为线性分段学习，使模型更适用于持续学习任务。该方法使MICIL能够在学习新任务时避免遗忘旧任务，从而实现高性能。由于MICIL在获取新任务时无需重新训练或回顾旧任务，它降低了内存占用并确保了数据隐私。此外，在提出的MICIL中，整合了输出融合模块以结合特征提取器和融合网络的输出，从而增强了网络的鲁棒性。据我们所知，这是首次在多模态3D物体分类中使用的评估协议，重点关注测量网络在长期学习阶段的性能。实验结果表明，所提出的方法在所有评估任务中均取得了最先进的性能。

Multi-modality integrated class incremental learning networks for 3D object recognition

摘要

期刊

机构

引用论文