研究人员开发了一种名为解耦表示动态网络（DRDN）的新方法，以改进 Vision Transformer（ViT）模型中的类增量学习（CIL）。DRDN 通过使用掩码图像建模（MIM）来保留骨干网络中的通用视觉结构，并通过分层任务令牌扩展来减少任务间干扰，从而解决了跨任务混淆和欠优化的共享表示等挑战。在 CIFAR100-B0 经过 10 个步骤的实验中，DRDN 实现了 77.19% 的平均准确率，优于 DKT 和 DyTox 等现有方法。 AI
影响 提高了视觉 Transformer 在增量学习中的长期判别能力并减少了混淆。
排序理由 该集群包含一篇详细介绍计算机视觉模型中类增量学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
