动态残差分类器

减轻灾难性遗忘

针对类增量学习中新旧类样本不平衡的动态变化问题，提出的新型分类器能有效处理不平衡场景，并可与现有多种CIL流程无缝结合，显著提升性能。

Xiuwei, Chen · Chang, Xiaobin

2023

技术优势

动态不平衡建模

DRC 针对 CIL 中数据不平衡的动态特性设计，比静态长尾处理方法更能适应每个增量阶段的变化。

与主流流程兼容

DRC 可与不同 CIL 流程结合，并显著提升其性能。

无需扩展模型

通过分支层合并解决模型增长问题，避免在新任务到来时大幅增加模型容量。

最先进性能

与MAF流程结合后，在传统CIL和长尾CIL基准上均取得最先进结果。

应用场景

• 模型增量更新：在不扩展模型容量的情况下，持续集成新类别而不过度遗忘旧知识。
• 长尾数据分类：专门处理新旧类别样本数动态不平衡的场景，提升尾部类别的识别能力。
• 持续学习：作为一种可插拔的分类器组件，直接嵌入现有持续学习框架提升性能。
• 灾难性遗忘缓解：通过残差结构和分支合并平衡新旧类特征，减轻灾难性遗忘。