揭示少样本类增量学习中基类与新颖类性能之谜
机器学习
2022-06-23 v1 人工智能
摘要
少样本类增量学习（FSCIL）解决了具有挑战性的现实场景，其中未见的新颖类不断以少量样本到来。在这些场景中，需要开发一个能够识别新颖类且不遗忘先验知识的模型。换言之，FSCIL 旨在同时维持基类性能并提升新颖类性能。然而，鲜有研究对这两种性能分别进行探究。本文中，我们首先将整个模型分解为四类参数，并证明当新颖类出现时，这两种性能随更新参数的变化趋势差异巨大。基于该分析，我们提出了一种用于 FSCIL 的简单方法，称为 NoNPC，它使用归一化原型分类器而无需对增量新颖类进行进一步训练。结果表明，我们这种直接的方法与复杂的最先进算法具有相当的性能。
引用
@article{arxiv.2206.10596,
title = {Demystifying the Base and Novel Performances for Few-shot Class-incremental Learning},
author = {Jaehoon Oh and Se-Young Yun},
journal= {arXiv preprint arXiv:2206.10596},
year = {2022}
}
备注
14 pages, 17 figures, 3 tables