English(EN) Unlocking Patch-Level Features for CLIP-Based Class-Incremental Learning

新的SPA方法增强了基于CLIP的类别增量学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-13 17:56

研究人员开发了一种名为SPA（语义引导的补丁级对齐）的新方法，以改进使用CLIP的类别增量学习。该方法利用了CLIP编码器中以前被忽视的局部、补丁级特征，而不是全局图像嵌入。SPA使用GPT-5生成语义描述，以指导区分性视觉补丁的选择，然后使用最优传输将这些补丁与描述对齐。该方法还结合了特定任务的投影仪和伪特征校准来对抗灾难性遗忘，并在实验中取得了最先进的结果。 AI

影响引入了一种利用视觉-语言模型中的局部特征进行持续学习的新颖方法，有可能提高模型的适应性。

排序理由介绍类别增量学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

arXiv
GPT-5

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Da-Wei Zhou · 2026-05-13 17:56

Unlocking Patch-Level Features for CLIP-Based Class-Incremental Learning

Class-Incremental Learning (CIL) enables models to continuously integrate new knowledge while mitigating catastrophic forgetting. Driven by the remarkable generalization of CLIP, leveraging pre-trained vision-language models has become a dominant paradigm in CIL. However, current…

报道来源 [1]

Unlocking Patch-Level Features for CLIP-Based Class-Incremental Learning

相关实体

相关话题