从开集视角看少样本类增量学习
计算机视觉与模式识别
2022-08-02 v1
摘要
视觉世界中新物体的持续出现给当前深度学习方法的实际部署带来了相当大的挑战。由于稀有性或成本原因，新类别数据的匮乏往往加剧了新任务学习的难度。本文探讨了少样本类增量学习（FSCIL）这一重要任务及其单样本极端数据稀缺条件。一个理想的 FSCIL 模型需要在所有类别上都表现良好，无论其呈现顺序如何或数据多么稀少。它还需要对开集真实世界条件具有鲁棒性，并能轻松适应该领域中始终出现的新任务。在本文中，我们首先重新评估当前的任务设定，并为 FSCIL 任务提出一个更全面且实用的设定。随后，受 FSCIL 与现代人脸识别系统目标相似性的启发，我们提出我们的方法——增强角度损失增量分类（ALICE）。在 ALICE 中，我们提出使用角度惩罚损失而非常用的交叉熵损失来获得聚类良好的特征。由于所获得的特征不仅需要紧凑聚类，还需足够多样以维持对未来增量类的泛化能力，我们进一步讨论了类增强、数据增强和数据平衡如何影响分类性能。在包括 CIFAR100、miniImageNet 和 CUB200 在内的基准数据集上的实验表明，ALICE 优于最先进的 FSCIL 方法。
引用
@article{arxiv.2208.00147,
title = {Few-Shot Class-Incremental Learning from an Open-Set Perspective},
author = {Can Peng and Kun Zhao and Tianren Wang and Meng Li and Brian C. Lovell},
journal= {arXiv preprint arXiv:2208.00147},
year = {2022}
}
备注
Accepted to ECCV 2022