一种用于少样本类增量药品识别的前后向兼容框架
计算机视觉与模式识别
2024-03-26 v2 人工智能
摘要
自动药品识别（APR）系统对于提升医院效率、辅助视障人士以及预防交叉感染至关重要。然而，大多数现有的基于深度学习的药品识别系统只能在具有充足训练数据的类别上执行分类。在实践中，数据标注的高成本以及新药类别的持续增加，使得开发少样本类增量药品识别系统成为必要。本文提出了首个少样本类增量药品识别框架，称为判别性与双向兼容少样本类增量学习（DBC-FSCIL）。它包含前向兼容与后向兼容学习组件。在前向兼容学习中，我们提出了一种创新的虚拟类合成策略以及中心三元组（CT）损失，以增强判别性特征学习。这些虚拟类在特征空间中作为未来类别更新的占位符，为模型训练提供多样的语义知识。对于后向兼容学习，我们开发了一种利用不确定性量化合成旧类可靠伪特征的策略，以促进数据回放（DR）与知识蒸馏（KD）。该方法能够灵活合成特征，并有效降低样本与模型的额外存储需求。此外，我们构建了一个用于FSCIL的新药品图像数据集，并评估了多种主流FSCIL方法，建立了新的基准。实验结果表明，我们的框架超越了现有的State-of-the-art（SOTA）方法。代码可在 https://github.com/zhang-jinghua/DBC-FSCIL 获取。
引用
@article{arxiv.2304.11959,
title = {A Forward and Backward Compatible Framework for Few-shot Class-incremental Pill Recognition},
author = {Jinghua Zhang and Li Liu and Kai Gao and Dewen Hu},
journal= {arXiv preprint arXiv:2304.11959},
year = {2024}
}