CALA：面向少样本类增量学习的类感知 Logit 适配器

少样本类增量学习（FSCIL）定义了一项实用且具挑战性的任务，要求模型仅利用少量训练样本持续学习新概念。由于数据稀缺，现有 FSCIL 方法通常先利用大量基类数据训练骨干网络，随后将其冻结。然而，上述操作常导致骨干网络对基类过拟合而忽略新类，造成两者间的严重混淆。为解决此问题，我们提出了类感知 Logit 适配器（CALA）。该方法包含一个轻量级适配器，通过伪增量学习范式学习纠正有偏预测。在实际 FSCIL 过程中，我们利用学习到的适配器动态生成稳健的平衡因子。这些因子可根据新类实例与基类的相似度，将混淆的新类实例调整回其真实的标签空间。具体而言，当与基类高度相似的新类实例更易发生混淆时，需要更大的纠正力度。值得注意的是，CALA 作用于分类器层面，保留了原始特征空间，因此可灵活插入大多数现有 FSCIL 工作中以提升性能。在三个基准数据集上的实验一致验证了 CALA 的有效性与灵活性。代码将在论文被接收后发布。