面向半监督少样本类增量学习的歧义引导可学习分布校准

少样本类增量学习（FSCIL）侧重于模型从有限数据中学习新概念，同时保留对先前类别的知识。最近，许多研究开始利用未标记样本来辅助模型从少样本中学习，从而催生了半监督少样本类增量学习领域。然而，这些研究通常假设未标记数据源仅限于当前会话的新类别，这提供了一个狭隘的视角，无法很好地与实际场景对齐。为了更好地反映真实世界场景，我们通过在未标记集中纳入基类和所有曾见过的新类别，将 Semi-FSCIL 重新定义为广义半监督少样本类增量学习。未标记样本构成的这种变化对现有方法提出了新的挑战，因为它们难以区分来自基类和新类的未标记样本。为了解决这个问题，我们提出了一种歧义引导的可学习分布校准（ALDC）策略。ALDC 动态利用丰富的基类样本来纠正少样本新类的有偏特征分布。在三个基准数据集上的实验表明，我们的方法优于现有工作，创造了新的 SOTA 结果。