用于少样本类增量学习的基于角度-范数联合分类器的嵌入空间分配
计算机视觉与模式识别
2025-07-14 v2
摘要
少样本类增量学习 (FSCIL) 旨在仅从少量样本中持续学习新类而不遗忘旧类，要求智能体适应动态环境。FSCIL 结合了类增量学习和少样本学习的特征与挑战：(i) 当前类占据整个特征空间，这不利于学习新类。(ii) 增量轮次中少量的样本不足以进行充分训练。在现有的主流虚拟类方法中，为了应对挑战 (i)，它们尝试使用虚拟类作为占位符。然而，新类不一定与虚拟类对齐。对于挑战 (ii)，它们用基于余弦相似度的最近类均值 (NCM) 分类器替换可训练的全连接层，但 NCM 分类器没有考虑样本不平衡问题。为了解决先前方法中的这些问题，我们提出了类中心引导的嵌入空间分配与角度-范数联合分类器 (SAAN) 学习框架，该框架为所有类提供平衡的空间，并利用由样本不平衡引起的范数差异来增强分类标准。具体而言，对于挑战 (i)，SAAN 将特征空间划分为多个子空间，并通过用预设的类别中心引导样本为每个会话分配专用子空间。对于挑战 (ii)，SAAN 为每个类建立范数分布并生成角度-范数联合 logits。实验表明，SAAN 能够实现最先进的性能，并且可以作为插件直接嵌入到其他 SOTA 方法中，进一步提升其性能。
关键词
引用
@article{arxiv.2411.09250,
title = {Embedding Space Allocation with Angle-Norm Joint Classifiers for Few-Shot Class-Incremental Learning},
author = {Dunwei Tu and Huiyu Yi and Tieyi Zhang and Ruotong Li and Furao Shen and Jian Zhao},
journal= {arXiv preprint arXiv:2411.09250},
year = {2025}
}
备注
This paper has been accepted to Neural Networks