缓解偏差的小样本类增量学习
计算机视觉与模式识别
2024-02-02 v1
摘要
小样本类增量学习（FSCIL）旨在利用有限的全新类别样本持续识别新类别。FSCIL的一种主流基线方法是首先在基础会话中训练整个模型，然后在增量会话中冻结特征提取器。尽管大多数方法实现了较高的总体准确率，但它们对增量类别的准确率明显较低。一些近期方法通过在增量会话中微调特征提取器，在一定程度上缓解了基础类别和增量类别之间的准确率不平衡问题，但这进一步导致了过去和当前增量类别之间的准确率不平衡。在本文中，我们研究了FSCIL中这种分类准确率不平衡的原因，并将其抽象为一个统一的模型偏差问题。基于上述分析，我们提出了一种新方法，在训练和推理过程中缓解FSCIL问题的模型偏差，该方法包括映射能力激发、独立双特征分类和自优化分类器。在三个广泛使用的FSCIL基准数据集上的大量实验表明，我们的方法显著缓解了模型偏差问题，并取得了SOTA性能。
引用
@article{arxiv.2402.00481,
title = {Bias Mitigating Few-Shot Class-Incremental Learning},
author = {Li-Jun Zhao and Zhen-Duo Chen and Zi-Chao Zhang and Xin Luo and Xin-Shun Xu},
journal= {arXiv preprint arXiv:2402.00481},
year = {2024}
}
备注
8 pages (not including references and checklist)