面向少样本类增量学习的可控关系解耦
计算机视觉与模式识别
2024-03-19 v1
摘要
在本文中，我们提出从一个新的视角来解决少样本类增量学习（FSCIL）问题，即关系解耦，这意味着通过解耦类别之间的虚假关系来增强 FSCIL。解耦虚假相关性的挑战在于 FSCIL 的可控性较差。一方面，FSCIL 模型需要以增量方式进行训练，因此很难直接控制不同会话中不同类别之间的关系。另一方面，每个新类别的训练样本仅处于少样本设置下，这也增加了解决虚假关系问题的难度。为了克服这一挑战，在本文中，我们提出了一种简单而有效的新方法，称为可控关系解耦少样本类增量学习（CTRL-FSCIL）。具体而言，在基础会话期间，我们提出在特征空间中锚定基础类别嵌入，并构建解耦代理以弥合不同会话中类别表示学习之间的差距，从而使类别关系变得可控。在增量学习期间，主干网络的参数被冻结，以减轻数据稀缺的负面影响。此外，设计了解耦损失以有效地指导关系解耦控制器去解耦由主干网络编码的嵌入之间的虚假相关性。通过这种方式，可以抑制 FSCIL 中的虚假相关问题。在 CIFAR-100、mini-ImageNet 和 CUB-200 数据集上的大量实验证明了我们的 CTRL-FSCIL 方法的有效性。
引用
@article{arxiv.2403.11070,
title = {Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning},
author = {Yuan Zhou and Richang Hong and Yanrong Guo and Lin Liu and Shijie Hao and Hanwang Zhang},
journal= {arXiv preprint arXiv:2403.11070},
year = {2024}
}