无数据增量哈希模型

新旧类灾难性遗忘少

通过数据消歧和自适应代理，在无原始训练数据的情况下，同时保持旧类哈希码的稳定性和新类的可塑性。

Qinghang, Su · Wu, Dayan · Chenming, Wu · 李波 · 王伟平

IEEE Transactions on Circuits and Systems for Video Technology 2024

参数信息

性能验证基准数

6

增量学习场景数

16

技术优势

消除模糊数据干扰

通过数据消歧模块识别并丢弃与旧类高度相似的模糊像素，从数据层面缓解灾难性遗忘，提升新类哈希码的判别性。

六基准十六场景验证

在六个广泛使用的图像检索基准和十六种增量学习场景上的大量实验证明了方法的优越性，且消融研究证实了各组件的有效性。

应用场景

• 大规模图像检索：无需存储旧数据即可持续扩展检索类别，降低存储与隐私成本。
• 增量学习场景：在旧样本缺失时仍能平衡新旧类别，缓解灾难性遗忘。
• 数据受限的视觉任务：适合因隐私或存储限制无法保留原始数据的视觉任务。
• 在线学习系统：无需积累历史数据即可在线更新模型，适配持续数据流。