面向分类与目标检测的少样本类增量学习：综述
机器学习
2025-01-10 v3 人工智能
摘要
少样本类增量学习（FSCIL）在机器学习（ML）中提出了独特挑战，因为它需要从稀疏标注的训练样本中增量学习（IL）新类而不遗忘先前的知识。尽管该领域近期取得了进展，它仍是一个活跃的探索区域。本文旨在对FSCIL提供全面且系统的综述。在我们的深入考察中，我们探究FSCIL的各个方面，涵盖问题定义、不可靠经验风险最小化和稳定性-可塑性困境等主要挑战的讨论、通用方案，以及IL与少样本学习（FSL）的相关问题。此外，我们概述了基准数据集与评估指标。进而，我们从基于数据、基于结构和基于优化的方法介绍了少样本类增量分类（FSCIC）方法，并从无锚框和有锚框方法介绍了少样本类增量目标检测（FSCIOD）方法。除此之外，我们提出了FSCIL中若干值得进一步研究的 promising 研究方向。
引用
@article{arxiv.2308.06764,
title = {Few-shot Class-incremental Learning for Classification and Object Detection: A Survey},
author = {Jinghua Zhang and Li Liu and Olli Silvén and Matti Pietikäinen and Dewen Hu},
journal= {arXiv preprint arXiv:2308.06764},
year = {2025}
}