.png){kind=icon}
返回
Recurrent Network Expansion for Class Incremental Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3601373.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增量式分类学习（CIL）是实现自适应视觉智能的关键，而网络扩展（NE）是CIL的主要方法之一。然而，当前最优（SOTA）方法通常存在特征扩散、参数增长、特征混淆和分类器偏差等问题。针对此问题，本文提出了一种新颖的动态结构——循环网络扩展（RNE），通过建立任务专家之间的连接。具体而言，前序任务专家通过共享模块按顺序传递特征，新任务专家基于接收到的特征进行调整而非重新提取，从而更关注关键区域并避免特征扩散。此外，RNE通过替换轻量级任务专家来压缩模型，在几乎不影响性能的前提下显著减少参数数量。同时，采用解耦分类器缓解特征混淆，并通过伪特征生成纠正分类器偏差。在CIFAR-100、ImageNet-100、Food-101和ImageNet-1K四个广泛使用的基准数据集上的大量实验表明，RNE在普通和具有挑战性的CIL设置下均达到了SOTA性能。
Keyword:
Bias correction
class incremental learning (CIL)
decoupled classifier
recurrent structure
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
KNNENS: A k-Nearest Neighbor Ensemble-Based Method for Incremental Learning Under Data Stream With Emerging New ClassesKNNENS: 具有新课程的数据流下基于k最近邻集成的增量学习方法
PREAI
分享收藏分享收藏
查看更多内容