一次性域增量学习
内容提要
本研究探讨了跨领域少样本增量学习，提出多种方法提升模型在不同领域的分类性能。通过领域自适应和数据增强，实验结果表明新方法在MedMNIST等数据集上优于现有技术，有效解决了灾难性遗忘和领域转变问题，增强了模型的稳定性和泛化能力。
延伸解读
跨域增量学习的核心挑战
文章指出，跨域少样本增量学习需同时应对灾难性遗忘和领域转变。灾难性遗忘指模型学习新类别时遗忘旧知识；领域转变指训练与测试数据分布不同。两者叠加使模型既要记忆旧类，又要适应新领域，难度显著增加。
方法演进：从领域自适应到扩散模型
文章梳理了多种方法：DA-CIL利用领域自适应和数据增强提升三维物体检测；UDIL通过自适应系数统一域增量学习；DGCIL结合知识蒸馏和原型漂移估计应对遗忘；无样本增量学习采用多分布匹配扩散模型。这些方法从不同角度提升稳定性和泛化性。
零射领域泛化的新探索
文章将领域泛化扩展到标签空间变化的场景，提出零射领域泛化，要求模型同时泛化到新领域和新类别。作者利用类的语义信息，使现有领域泛化方法满足新要求，并在CIFAR-10、CIFAR-100、F-MNIST和PACS数据集上评估，为后续研究奠定基础。
目标检测中的跨域类别增量学习
文章提出三种跨领域和类别增量学习的目标检测模型，采用注意力特征蒸馏延续知识。实验发现，记忆不同目标类别较困难，而领域差异对目标检测的负面影响较小。所提方法在七个目标检测基准数据集上均取得显著改进。
Q&A
什么是跨领域少样本增量学习？
跨领域少样本增量学习是指在不同领域中，利用少量样本进行模型的增量学习，以提高分类性能。
DA-CIL方法如何提高深度学习的性能？
DA-CIL方法通过领域自适应、数据增强和知识蒸馏来提高深度学习的准确性和泛化性能。
统一域增量学习（UDIL）框架的优势是什么？
UDIL框架通过自适应系数训练，能够实现更紧密的错误界限，且在合成和实际数据集上优于现有方法。
什么是零射领域泛化？
零射领域泛化是指模型不仅能够在新领域中推广，还能在这些领域中的新类之间进行推广。
DGCIL方法如何解决灾难性遗忘问题？
DGCIL方法通过记忆旧类别、适应新类别，并结合知识蒸馏和多变量正态分布来应对灾难性遗忘。
增量类别域自适应（CIDA）方法的应用场景是什么？
CIDA方法用于在域偏移情况下对目标样本进行分类，能够处理共享和新目标类的分类任务。
