通过儿童自我中心输入进行持续的视觉与语言学习

儿童从连续的、具有时间结构的自我中心经验流中学习词义。本文提出 BabyCL，一种持续多模态学习框架，仅需单次 chronological 遍历 SAYCam 数据集。该框架结合流式视觉表示学习与图像 - 文本对比目标，采用多阶段时间分割及独立管理视觉与多模态历史的双回放缓冲区。实验表明，在同等优化预算下，BabyCL 优于现有流式学习基线，显著缩小了与离线训练上限的差距，证明在更接近儿童真实体验的条件下可涌现有意义的词指映射。