由粗到细的增量少样本学习
计算机视觉与模式识别
2021-11-30 v1 机器学习
摘要
与在预设类别大规模数据集上预训练模型再进行微调不同，类增量学习（CIL）旨在随时间识别新类别而不遗忘预训练类别。然而，给定模型会受到具有更细粒度类别的测试图像挑战，例如 basenji 最多被识别为狗。此类图像构成新的训练集（即支撑集），从而希望增量模型下次能将 basenji（即查询）识别为 basenji。本文将从粗到细少样本（C2FS）识别这一混合自然问题形式化为称为 C2FSCIL 的 CIL 问题，并提出一种简单、有效且理论严谨的策略 Knowe：从粗标签对比学习嵌入空间后，从细标签学习、归一化并冻结分类器权重。此外，由于 CIL 旨在稳定性-可塑性平衡，提出了新的整体性能指标。在此意义上，在 CIFAR-100、BREEDS 与 tieredImageNet 上，Knowe 首次优于所有针对该新问题设定量身定制的最近相关 CIL/FSCIL 方法。
引用
@article{arxiv.2111.14806,
title = {Coarse-To-Fine Incremental Few-Shot Learning},
author = {Xiang Xiang and Yuwen Tan and Qian Wan and Jing Ma},
journal= {arXiv preprint arXiv:2111.14806},
year = {2021}
}