在线连续多视角学习

跨视角抗遗忘

一个统一了经验回放与对抗学习的在线连续学习模型，能自适应对齐不断变化的视角分布，从而缓解灾难性遗忘。

Yang, Yu · Du, Zhekai · Meng, Lichao · 李晶晶 · Jiang, Hu

Information Fusion 2024

技术优势

跨视角分布对齐

AOCML 利用对抗学习组件在飞行中自适应对齐不同视角的数据分布，避免模型在任务切换时因分布漂移而过拟合当前任务。

软标签回放

除常规回放外，AOCML 引入软标签回放，利用旧任务的软标签信息，更有效地保持已学知识，减少遗忘。

熵加权策略

AOCML 采用基于熵的加权机制，对高置信度样本赋予更大权重，提升回放样本的利用效率，进一步防止遗忘。

应用场景

• 多视角学习：为不断变化视角的真实应用（如自动驾驶、监控）提供适应机制，摆脱对固定视角假设的依赖。
• 在线学习：无需离线批量训练，模型可随数据流在线更新，适合实时决策和持续变化的环境。
• 数据融合：在信息融合框架下整合多视角数据流，缓解融合过程中的灾难性遗忘，提升长期融合稳定性。