构建样本到类图用于少样本类增量学习
计算机视觉与模式识别
2023-11-01 v1 人工智能
摘要
少样本类增量学习（FSCIL）旨在构建能够从少量数据样本中持续学习新概念、且不遗忘旧类知识的机器学习模型。FSCIL的挑战在于新类数据有限，这不仅导致严重的过拟合问题，还加剧了臭名昭著的灾难性遗忘问题。如早期研究所示，建立样本关系有助于从少样本中学习。本文将这一思想推广至增量场景，并提出一种用于FSCIL的样本到类（S2C）图学习方法。具体而言，我们提出一个样本级图网络（SGN），专注于分析单次会话内的样本关系。该网络有助于聚合相似样本，最终提取更精细的类级特征。然后，我们提出一个类级图网络（CGN），在旧类与新类的类级特征间建立连接。该网络在关联不同会话间的知识方面起着关键作用，并有助于提升FSCIL场景下的整体学习。此外，我们设计了一种多阶段策略来训练S2C模型，以缓解增量过程中有限数据带来的训练困难。该多阶段训练策略旨在从基类阶段到少样本阶段构建S2C图，并通过额外的伪增量阶段提升能力。在三个流行基准数据集上的实验表明，我们的方法明显优于基线，并刷新了FSCIL的SOTA结果。
引用
@article{arxiv.2310.20268,
title = {Constructing Sample-to-Class Graph for Few-Shot Class-Incremental Learning},
author = {Fuyuan Hu and Jian Zhang and Fan Lyu and Linyan Li and Fenglei Xu},
journal= {arXiv preprint arXiv:2310.20268},
year = {2023}
}