基于一致性驱动的少样本类递增学习中的校准与匹配
机器学习
2026-03-03 v2 计算机视觉与模式识别
摘要
少样本类递增学习（Few-Shot Class-Incremental Learning, FSCIL）是适应复杂开放世界环境的关键技术。当前基于前景学习的空间构建方法在旧知识与新知识之间难以平衡，因为原型偏差和刚性结构限制了嵌入空间的表达能力。与这些策略不同，本文从特征-结构双一致性的角度重新思考优化困境，提出一种Consistency-driven Calibration and Matching（ConCM）框架，系统性地缓解FSCIL中固有的知识冲突。具体而言，灵感来自海马体联想记忆，我们设计了受记忆影响的原型校准机制，从基类中提取通用语义属性，并重新整合到新类中，以增强特征的概念中心一致性。进一步，为巩固记忆关联，我们提出了动态结构匹配技术，自适应地将校准后的特征对齐到特定会话的最优流形空间，确保跨会话的结构一致性。这一过程无需类别数先验，并在理论上保证实现几何最优和最大匹配。在包括mini-ImageNet、CIFAR100和CUB200在内的大规模FSCIL基准测试中，ConCM实现了最先进的性能，在递增会话中实现了最高可达3.41%的调和准确率提升。代码已公开：https://github.com/wire-wqz/ConCM
引用
@article{arxiv.2506.19558,
title = {Consistency-Driven Calibration and Matching for Few-Shot Class-Incremental Learning},
author = {Qinzhe Wang and Zixuan Chen and Keke Huang and Xiu Su and Chunhua Yang and Chang Xu},
journal= {arXiv preprint arXiv:2506.19558},
year = {2026}
}
备注
10 pages, 6 figures(Excluding the appendix)