用于少样本类增量学习的均衡有监督对比学习
计算机视觉与模式识别
2023-05-29 v1 人工智能
摘要
少样本类增量学习（FSCIL）的主要挑战在于平衡对新会话任务的欠拟合与对先前会话任务的遗忘。为应对该挑战，我们开发了一种简单而强大的学习方案，其集成了 FSCIL 网络各核心组件的有效方法，包括特征提取器、基类会话分类器与增量会话分类器。在特征提取器训练中，我们的目标是获得有益于当前可见类与未见或过去类的均衡通用表征。为此，我们提出一种均衡有监督对比损失，有效平衡这两个目标。在分类器方面，我们分析并强调了统一基类与增量会话分类器初始化方法的重要性。我们的方法在 CUB200、CIFAR100 与 miniImagenet 数据集上展现出卓越的新任务学习与防遗忘能力，相较先前最先进方法在各指标上均有显著提升。我们开展实验以分析方法的显著性与原理，并可视化我们所获表征在新任务上的有效性。此外，我们进行多样消融研究以分析各模块的影响。
引用
@article{arxiv.2305.16687,
title = {Balanced Supervised Contrastive Learning for Few-Shot Class-Incremental Learning},
author = {In-Ug Yoon and Tae-Min Choi and Young-Min Kim and Jong-Hwan Kim},
journal= {arXiv preprint arXiv:2305.16687},
year = {2023}
}
备注
14 pages, 5 figures, 6 tables