基于弹性知识保存与补偿的类增量学习方法

本发明公开了一种基于弹性知识保存与补偿的类增量学习方法，属于人工智能技术领域，该方法包括：获取包括不同任务且任务间类别不相交的图像，构建为多任务增量学习的数据集，并划分为训练集和测试集；构建包括特征提取器和分类器的CIL模型；其中，对于特征提取器，给定一个预训练的Transformer模型，通过学习任务共享适配器使模型适应下游类增量学习任务；基于重要性感知参数正则化框架和语义漂移补偿框架，利用训练集对CIL模型进行跨任务训练；将测试集输入到最优CIL模型中，实现基于弹性知识保存与补偿的类增量学习。该方法可以在不添加额外参数的情况下实现有效的抗遗忘，同时在训练期间保持稳定性并保留模型可塑性。