这篇文章是cvpr2023年的一篇文章,探索了ViT模型在增量学习的应用。ViT模型训练需要大量的数据,但增量学习每个新任务的数据一般较少。作者利用了一种比较新的transformer模型,a Nested Vision Transformer,适用于大型数据集和小型数据集。同时,为了使该模型适用于增量学习的情景,作者提出了两个关键组件来减轻灾难性遗忘:
1.Debiasing via Logit Adjustment
2.Dual Distillation:除了在logits /特征上应用的常规蒸馏损失,随着增量学习的进展,保持教师模型和学生模型在输入图像上的关注保持一致。
D3Former: Debiased Dual Distilled Transformer for Incremental Learning
最新推荐文章于 2024-07-29 00:03:11 发布