层级标签拓展的在线持续学习
原文中文，约300字，阅读约需1分钟。发表于：。通过多级分层标签扩展的在线学习约束，我们提出了一种新的多级分级类增量任务配置，该配置允许网络首先学习粗粒化类别，并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术，结合简单而有效的记忆管理和采样策略，我们的方法能够在所有层次的分层结构中显著提高分类准确性，无论层次深度和类别不平衡比例如何，并且在传统的不相交、模糊和 i-Blurry 的连续学习设置上也优于现有的最先进方法。
通过多级分层标签扩展的在线学习约束，提出了一种新的多级分级类增量任务配置。该配置允许网络首先学习粗粒化类别，并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术，结合简单而有效的记忆管理和采样策略，能够在所有层次的分层结构中显著提高分类准确性，并在传统的不相交、模糊和i-Blurry的连续学习设置上也优于现有的最先进方法。
