分而治之：用于少样本类增量学习的静动态协作
计算机视觉与模式识别
2026-01-14 v1 人工智能
摘要
少样本类增量学习（FSCIL）旨在有限数据下持续识别新类，这面临关键的稳定性-可塑性困境：在保留旧知识与获取新知识之间取得平衡。为解决这一问题，我们将该任务划分为两个不同阶段，并提出了一种称为静动态协作（Static-Dynamic Collaboration, SDC）的框架，以在稳定性和可塑性之间实现更好的权衡。具体而言，我们的方法将 FSCIL 的常规流程划分为静态保留阶段（Static Retaining Stage, SRS）和动态学习阶段（Dynamic Learning Stage, DLS），分别利用旧的静态类信息和增量的动态类信息。在 SRS 期间，我们在基础会话中使用充足的数据训练初始模型，并将关键部分保留为静态记忆，以保留基础旧知识。在 DLS 期间，我们引入一个额外的动态投影器，与先前的静态记忆进行联合训练。通过采用这两个阶段，我们的方法在持续适应新类的同时，实现了对旧知识的更好保留。在三个公开基准和一个真实世界应用数据集上的广泛实验表明，与其他竞争方法相比，我们的方法实现了 SOTA 性能。
引用
@article{arxiv.2601.08448,
title = {Divide and Conquer: Static-Dynamic Collaboration for Few-Shot Class-Incremental Learning},
author = {Kexin Bao and Daichi Zhang and Yong Li and Dan Zeng and Shiming Ge},
journal= {arXiv preprint arXiv:2601.08448},
year = {2026}
}