CroMo-Mixup: 提升增量式自我监督学习的跨模型表示
原文中文，约300字，阅读约需1分钟。发表于：。通过实验证明自监督学习对连续自我监督学习中的任务混淆问题更易受损，针对这一挑战，提出了一种名为 CroMo-Mixup 的跨模型特征混合框架，通过混合样本、学习样本嵌入的相似性以及原始图像，提高负样本多样性、促进跨任务类对比学习和旧知识检索。在三个数据集上评估了 CroMo-Mixup 提高任务标识预测和所有任务的平均线性准确性的有效性，并验证了其与四种先进的自监督学习目标兼容性。
本文介绍了CroMo-Mixup，一种用于解决连续自我监督学习中任务混淆问题的特征混合框架。通过混合样本、学习样本嵌入的相似性以及原始图像，提高负样本多样性、促进跨任务类对比学习和旧知识检索。实验证明该框架在任务标识预测和所有任务的平均线性准确性上有效，并与四种先进的自监督学习目标兼容。
