Kaile Du

DeCLIP框架增强CLIP以实现多标签增量学习

研究人员推出DeCLIP，一个新颖的框架，旨在通过解决CLIP模型的问题来改进多标签类别增量学习（MLCIL）。DeCLIP利用解耦提示来学习特定类别的正向和负向提示，这有助于匹配视觉-语言对并减少视觉表示的纠缠。这种方法旨在减轻灾难性遗忘，而无需数据重放。此外，DeCLIP还包含一种称为自适应相似度调节（Adaptive Similarity Tempering）的推理时策略，以减少部分标记场景中的误报。