提出冻结多模态基础模型的音频视觉持续学习框架

研究者提出音频视觉类别增量学习框架，利用冻结多模态基础模型的密集表示，通过注意力上下文引导模块以音频表征指导视觉表征，实现有效类别识别。 该方案采用特征级与logit级知识蒸馏缓解灾难性遗忘，维持跨任务稳定性，在多个音频视觉持续学习基准上持续优于当前最先进方法。 实验代码已开源，该工作已被WACV 2027接收。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。