Toward Zero-Forgetting: A Training-Free Multimodal Framework for Remote Sensing Class-Incremental Learning

doi:10.1109/tgrs.2026.3725639

Toward Zero-Forgetting: A Training-Free Multimodal Framework for Remote Sensing Class-Incremental Learning

2026-08-21

0

PRE

AI

DOI：10.1109/tgrs.2026.3725639

原文链接

原文求助

摘要

En 中文

现有的面向遥感（RS）场景分类的类增量学习（CIL）方法通常训练开销大或依赖静态视觉特征，这些特征可能无法充分捕捉遥感影像中固有的复杂类间相似性和类内多样性。此外，直接复用预训练于自然图像的模型（如CLIP）的特征在迁移到遥感领域时，常因领域差异和语义丰富性不足而受限。本文提出了一种简单而有效的训练无关CIL框架，用于RS场景分类，通过利用多模态语义信息构建更具判别力的类别表示。该框架将预训练模型作为冻结的特征提取器，以确保表示空间的零遗忘。为增强语义判别性，采用大型语言模型（LLM）为每个类别生成丰富的候选文本描述，并引入图像引导的描述选择（IGDS）策略以使语义信息与视觉特征对齐。分类采用基于距离的度量，无需额外训练。广泛的实验结果表明，该框架在不同序列下均实现了领先性能和卓越稳定性，超越了训练相关和训练无关的基线方法。代码见https://github.com/WenliangDu/ZFCIL-RS

Keyword:

Class-incremental learning (CIL)

remote sensing (RS) scene classification

training-free

Toward Zero-Forgetting: A Training-Free Multimodal Framework for Remote Sensing Class-Incremental Learning

摘要

期刊

机构

引用论文