面向少样本类增量学习的演化字典表示
机器学习
2023-05-04 v1 计算机视觉与模式识别
摘要
新物体在不断变化的动态世界中持续涌现,真实世界的人工智能系统应能够持续且有效地适应新涌现的类别而不遗忘旧类别。鉴于此,本文处理一种具有挑战性且实用的持续学习场景,称为少样本类增量学习(FSCIL),其中基础会话中的类别提供有标注数据,而新增量类别仅有极少量标注样本可用。为解决该问题,我们提出一种新颖简洁的方法,引入深度字典学习——一种结合字典学习与视觉表示学习的混合学习架构,以提供更佳刻画不同类别的空间。我们在基础会话中同时优化字典与特征提取骨干网络,而在增量会话中仅微调字典以适应新类别,与微调整个模型相比可缓解对基础类的遗忘。为进一步促进未来适应,我们还在基础会话训练中融入多个伪类别,以使字典所投影的一定空间可为未来新概念预留。在CIFAR100、miniImageNet和CUB200上的大量实验结果验证了我们的方法相对于其他SOTA方法的有效性。
引用
@article{arxiv.2305.01885,
title = {Evolving Dictionary Representation for Few-shot Class-incremental Learning},
author = {Xuejun Han and Yuhong Guo},
journal= {arXiv preprint arXiv:2305.01885},
year = {2023}
}