基于协方差的空间正则化用于少样本类别增量学习

少样本类别增量学习（FSCIL）呈现一个具有挑战性且真实的场景，要求模型在持续学习新类别时仅使用有限的标注数据（即增量会话），同时保留先前学习的基础类别的知识（即基础会话）。由于增量会话中数据有限，模型容易对新类别过拟合，并遭受基础类别的灾难性遗忘。为解决这些问题，近期的进展转向基于原型的途径来约束基础类别分布并学习新类别的判别性表示。尽管取得了进展，有限数据问题仍导致特征空间划分不当，使模型混淆新类别与旧类别，或无法在新类别之间建立良好分离。在本文中，我们旨在通过直接从协方差角度约束每个类别分布的跨度来缓解这些问题。具体而言，我们提出了一种简单而有效的协方差约束损失，迫使模型以相同的协方差矩阵学习每个类别分布。此外，我们提出一种扰动方法，在特征空间中扰动少样本训练样本，鼓励样本远离其他类别的加权分布。将扰动样本视为新类别数据，分类器被迫在每个新类别与现有类别之间建立明确边界。我们的方法易于集成到现有FSCIL方法中以提升性能。在三个基准上的实验验证了我们方法的有效性，实现了FSCIL的新最先进性能。