小样本类增量学习
计算机视觉与模式识别
2020-04-27 v2 机器学习
机器学习
摘要
增量学习新类的能力对于现实世界人工智能系统的发展至关重要。在本文中，我们聚焦于一个具有挑战性但实用的小样本类增量学习（FSCIL）问题。FSCIL 要求 CNN 模型从极少的标注样本中增量学习新类，同时不遗忘先前已学到的类。为了解决这个问题，我们使用神经气体（NG）网络表示知识，该网络能够学习并保留由不同类形成的特征流形的拓扑。在此基础上，我们提出了拓扑保留知识增量器（TOPIC）框架。TOPIC 通过稳定 NG 的拓扑来减轻对旧类的遗忘，并通过向新训练样本生长并适应 NG 来改善对新类的小样本表示学习。全面的实验结果表明，我们提出的方法在 CIFAR100、miniImageNet 和 CUB200 数据集上显著优于其他最先进的类增量学习方法。
引用
@article{arxiv.2004.10956,
title = {Few-Shot Class-Incremental Learning},
author = {Xiaoyu Tao and Xiaopeng Hong and Xinyuan Chang and Songlin Dong and Xing Wei and Yihong Gong},
journal= {arXiv preprint arXiv:2004.10956},
year = {2020}
}
备注
Accepted by CVPR 2020 (oral)