基于脑力类比混合原型的少样本类别递增学习
计算机视觉与模式识别
2025-02-27 v1 机器学习
图像与视频处理
摘要
少样本类别递增学习 (FSCIL) 由于需要在有限数据下高效学习，同时保留先前任务知识，面临着诸多挑战。灵感来自大脑对分类和类比学习机制的研究，本文提出一种新方法，称为脑力启发的类比混合原型 (BAMP)。BAMP包含三个组成部分：混合原型特征学习、统计类比和软投票。在预训练的Vision Transformer (ViT)基础上，混合原型特征学习使用原型混合物表示每个类别，并在基座会话期间微调这些表示。统计类比根据与基座类别的相似性校准新类别原型的均值和协方差矩阵，并使用马哈拉诺斯距离计算分类得分。软投票结合了统计类比与现成FSCIL方法的优势。在基准数据集上进行的实验表明，BAMP在传统大规模FSCIL设置和具有挑战性的小规模FSCIL设置下均优于最先进的方法。该研究表明，脑力启发的类比混合原型可有效缓解FSCIL中的灾难性遗忘和过拟合问题。
引用
@article{arxiv.2502.18923,
title = {Brain-inspired analogical mixture prototypes for few-shot class-incremental learning},
author = {Wanyi Li and Wei Wei and Yongkang Luo and Peng Wang},
journal= {arXiv preprint arXiv:2502.18923},
year = {2025}
}
备注
under review