一种用于连续学习图像分类的跨子空间知识对齐方法

本发明公开了一种用于连续学习图像分类的跨子空间知识对齐方法，旨在增强模型对误导性任务ID的鲁棒性。本发明的跨子空间知识对齐与聚合方式在学习任务识别器的同时，还通过专用的任务子模块来确保模型的可塑性，并采用了一种双重知识对齐训练框架。双重知识对齐在特征和分类器决策边界级别对齐不同子空间的特征语义和决策边界，从而克服子空间不对齐带来的模糊决策问题。此外，为了在推理过程中避免对误导性任务ID产生过度自信，本发明提出了一种任务置信引导的适配器混合的强大推理机制，通过任务子模块的软知识聚合实现更稳健的推理。实验表明，本发明的跨子空间知识对齐与聚合方式在性能上优于现有的基于高效参数微调的类别增量学习方法。