通过集成模型增强的少样本类增量学习
计算机视觉与模式识别
2024-03-22 v2
摘要
少样本类增量学习（FSCIL）旨在持续适应新类别，同时仅使用有限的训练数据，并保持对先前学习类别的性能。主要挑战是对稀有的新训练样本过拟合以及遗忘旧类别。虽然灾难性遗忘已被广泛研究，但过拟合问题在FSCIL中受到的关注较少。为了解决过拟合挑战，我们设计了一个新的集成模型框架，并结合数据增强来提升泛化能力。通过这种方式，增强后的模型作为一个存储丰富特征的库，确保对下游任务的快速适应。具体来说，我们采用了多输入多输出集成结构，并配合空间感知数据增强策略，旨在使特征提取器多样化，并减轻增量会话中的过拟合。此外，还集成了自监督学习以进一步提高模型泛化能力。全面的实验结果表明，所提出的方法确实能够缓解FSCIL中的过拟合问题，并优于最先进的方法。
引用
@article{arxiv.2401.07208,
title = {Enhanced Few-Shot Class-Incremental Learning via Ensemble Models},
author = {Mingli Zhu and Zihao Zhu and Sihong Chen and Chen Chen and Baoyuan Wu},
journal= {arXiv preprint arXiv:2401.07208},
year = {2024}
}