CVPR 2024 | 任务自适应显著性引导的无样本类增量学习
发布日期:2025-06-08 04:23:14 浏览次数:4 分类:精选文章

本文共 372 字,大约阅读时间需要 1 分钟。

论文信息

题目:Task-Adaptive Saliency Guidance for Exemplar-free Class Incremental Learning
任务自适应显著性引导的无样本类增量学习
作者:Xialei Liu, Jiang-Tian Zhai, Andrew D. Bagdanov, Ke Li, Ming-Ming Cheng
源码:https://github.com/scok30/tass

论文创新点

本研究提出了一种名为**任务自适应显著性监督(TASS)**的新框架,旨在解决无样本类增量学习(EFCIL)中的显著性漂移问题。为了应对这一挑战,我们创新性地提出了一种边界引导的中级显著性漂移正则化方法。这一方法通过动态调整显著性模型的边界条件,有效抑制了不良的显著性漂移现象,同时保持了模型的泛化能力。
上一篇:CVPR 2024 | 低分辨率引领方向:通过自监督学习提升超分辨率的泛化能力
下一篇:CVPR 2024 | RankMatch:探索更好的半监督语义分割一致性正则化

发表评论

最新留言

哈哈,博客排版真的漂亮呢~
[***.90.31.176]2026年06月20日 00时31分44秒