基于K-means聚类原型的增量学习方法
来源：计算机应用与软件杂志2025年第11期北京时间：
作者：陶哲, 黄树成
摘要：增量学习旨在缓解深度神经网络的灾难性遗忘问题。现有的增量学习方法面临的主要问题包括：隐私泄露、消耗额外内存、模型参数量线性化增长等。针对现有方法的不足，以知识蒸馏的正则化手段为基础，提出一种基于k-means自动聚类算法的原型采样机制，对旧类原型和新数据的深层特征进行联合分类训练，以保持新旧类别的区分性和平衡性。实验结果表明，该方法在两个公开数据集CIFAR100和Tiny-ImageNet上比现有方法分类精度平均提高17.4百分点和16.9百分点，验证了该方法的有效性和优势。
关键词：计算机视觉, 图像分类, 增量学习, 知识蒸馏
