用于单样本类增量学习的特征空间生成模型
计算机视觉与模式识别
2026-01-27 v1 人工智能
机器学习
摘要
少样本类增量学习（FSCIL）是一种范式，其中最初在基类数据集上训练的模型，必须通过识别数据有限的新类来适应不断扩展的问题空间。我们关注具有挑战性的 FSCIL 设置，即模型对每个新类仅接收单个样本（1-shot），并且在基训练阶段之后不允许进行进一步的训练或模型修改。这使得对新类的泛化尤为困难。我们提出了一种基于基类与新类嵌入具有结构相似性假设的新方法。我们通过减去输入样本的类原型（即类平均嵌入），将原始嵌入空间映射到残差空间。然后，我们利用 VAE 或扩散模型的生成建模来学习基类上残差的多模态分布，并将其作为一种有价值的结构先验来改进对新类的识别。我们的方法 Gen1S 在多个基准和骨干架构上，持续改进了超越现有技术水平的新类识别。
引用
@article{arxiv.2601.17905,
title = {Feature-Space Generative Models for One-Shot Class-Incremental Learning},
author = {Jack Foster and Kirill Paramonov and Mete Ozay and Umberto Michieli},
journal= {arXiv preprint arXiv:2601.17905},
year = {2026}
}