面向跨域疾病分类的小样本类增量学习
计算机视觉与模式识别
2023-04-13 v1 机器学习
摘要
从有限样本中增量学习新类的能力，对于面向真实临床应用的人工智能系统发展至关重要。尽管现有增量学习技术已尝试解决该问题，但在仅含少量标注数据、尤其当样本来自不同域时仍表现不佳。本文中，我们探索跨域小样本增量学习（CDFSCIL）问题。CDFSCIL 要求模型以极少标注样本增量学习新类，且新类可能与目标空间差异巨大。为应对此困难，我们提出跨域增强约束与跨域数据增强方法。在 MedMNIST 上的实验表明，该方法的分类性能优于其他同类增量学习方法。
引用
@article{arxiv.2304.05734,
title = {Few-shot Class-incremental Learning for Cross-domain Disease Classification},
author = {Hao Yang and Weijian Huang and Jiarun Liu and Cheng Li and Shanshan Wang},
journal= {arXiv preprint arXiv:2304.05734},
year = {2023}
}