PatchAdaNet 不存旧样本也能增量分类:冻结小块特征加适配器,CIFAR-10 达 65.9%
PatchAdaNet 把图像切成小块,先在外部数据上训练各自独立的小块自编码器并永久冻结,再用可学习适配器把小块特征拼成整图表示,从而在不保存任何旧样本的情况下做无监督类增量分类。它用固定大小的全局特征质心记录适配器输出的滑动平均来抑制表示漂移,并对适配器施加 EWC 约束。在 CIFAR-10 五段划分上,CNN 与 ViT 变体分别达到 65.9% 和 64.5%,均不使用回放缓冲。
PatchAdaNet 把图像切成小块,先在外部数据上训练各自独立的小块自编码器并永久冻结,再用可学习适配器把小块特征拼成整图表示,从而在不保存任何旧样本的情况下做无监督类增量分类。它用固定大小的全局特征质心记录适配器输出的滑动平均来抑制表示漂移,并对适配器施加 EWC 约束。在 CIFAR-10 五段划分上,CNN 与 ViT 变体分别达到 65.9% 和 64.5%,均不使用回放缓冲。
已读完全部报道