组合化少样本类别增量学习
计算机视觉与模式识别
2024-05-28 v1 人工智能
摘要
少样本类别增量学习（Few-shot class-incremental learning, FSCIL）旨在在已有充足数据进行预训练后，从仅少量样本中持续学习新类别。然而，这仍面临挑战。相比之下，人类能够轻松地通过少量样本识别新类别。认知科学表明，此类人类能力的一个重要组成部分是组合化学习，即从已学习的知识中识别视觉原语，然后通过这些迁移的原语组合新概念，从而实现有效且可解释的增量学习。为模仿人类的组合化学习，我们提出了一种受认知启发的FSCIL方法。我们基于集合相似性定义并构建了组合化模型，并配备了原语组合模块和原语复用模块。在原语组合模块中，我们提出利用中心化核对齐（Centered Kernel Alignment, CKA）相似性来近似原语集合之间的相似性，允许基于原语组合的训练和评估。在原语复用模块中，我们通过基于原语替换为其他类别最近原语的方法来分类输入，从而增强原语的可复用性。在三个数据集上的实验验证了我们的方法，显示其优于当前方法，同时提高了可解释性。我们的代码可在 https://github.com/Zoilsen/Comp-FSCIL 查看。
引用
@article{arxiv.2405.17022,
title = {Compositional Few-Shot Class-Incremental Learning},
author = {Yixiong Zou and Shanghang Zhang and Haichen Zhou and Yuhua Li and Ruixuan Li},
journal= {arXiv preprint arXiv:2405.17022},
year = {2024}
}