产品简介
Analytic-continual-learning 本工具包含ACIL、GKEAL、DS-AL等多种先进的解析式类增量学习算法的官方实现。核心解决传统深度学习模型在学习新类别时容易遗忘旧知识（灾难性遗忘）的痛点，且无需存储和回放历史样本，有效保护数据隐私。非常适合从事计算机视觉研究、需要构建能持续学习新物体的AI模型的研究人员和开发者使用。
核心功能
- 实现多种前沿解析式类增量学习算法（ACIL， GKEAL， DS-AL等）
- 无需存储历史训练样本，实现隐私保护
- 采用解析学习，无需反向传播，计算效率高
- 提供在CIFAR-100、ImageNet等主流基准数据集上的预训练权重与快速开始方案
- 支持从头开始训练自定义模型
快速开始
- 克隆仓库并使用Anaconda创建指定环境：执行 `conda env create -f environment.yaml`。
- 从GitHub Releases页面下载预训练权重文件，解压到`backbones`文件夹。
- 运行示例命令（如`python main.py ACIL --dataset CIFAR-100 ...`）开始增量学习实验。
界面预览
与其他方案对比
| 对比项 | Analytic-continual-learning | 同类方案 |
|---|---|---|
| 学习范式 | 基于解析学习，无需梯度反向传播，计算高效，适合CPU运行。 | 传统深度学习需梯度反向传播，计算开销大，通常依赖GPU。 |
| 数据依赖 | 完全无需存储历史训练样本（Exemplar-Free），保护数据隐私。 | 多数增量学习方法需存储或生成旧类别样本以防止遗忘。 |
| 基准性能 | 在CIFAR-100、ImageNet标准基准上，平均准确率和最后一阶段准确率表现优异（如DS-AL在ImageNet上平均准确率达68.35%）。 | 传统重放缓存或生成式方法在内存开销和样本质量上存在挑战，性能各有差异。 |
适合谁用
- 从事计算机视觉与持续学习研究，需要复现或应用最新类增量学习算法的研究人员与学生。
- 开发需要让AI模型具备持续学习新物体类别能力的工程开发者。
- 关注数据隐私，希望在不存储历史数据的情况下进行模型迭代更新的应用开发者。
下载与版本
当前最新版本为 weight，发布于 2024-04-11。支持 多平台。点击页面「下载软件」按钮即可下载打包好的版本，根据你的电脑/手机系统来选择对应的软件。
注意事项
- 本工具仅供学习和研究使用，请遵守相关法律法规。
- 请尊重内容创作者版权，勿将下载内容用于商业或非法传播。
- 项目源码地址：https://github.com/ZHUANGHP/Analytic-continual-learning