基于生成式共记忆的少样本类别递增学习
计算机视觉与模式识别
2026-01-13 v1 人工智能
摘要
少样本类别递增学习(FSCIL)旨在从少量新数据中逐步学习模型，需要模型在有限样本监督下具备强大的表征和适应能力，以避免对旧类别出现灾难性遗忘并防止对新类别过拟合。本文提出一种生成式共记忆正则化方法以促进FSCIL。在该方法中，基础学习利用生成式域适应微调技术，在少量基类别样本上微调预训练的生成式编码器，同时融合掩码自编码器(MAE)解码器用于特征重构和全连接分类器用于特征分类，这使模型能够有效捕获通用且可适应的表征。利用微调后的编码器和所学分类器，我们构建两个类别无记忆：用于存储每个类别平均特征的表征记忆，以及用于存储分类器权重的权重记忆。随后，对记忆正则化的递增学习被用于在每个递增会话中对少量类别样本进行分类器动态训练，同时优化特征分类和共记忆正则化。记忆以类别递增方式更新，它们协同正则化递增学习。通过这种方式，所学模型在识别准确率方面取得改善，同时减轻了旧类别的灾难性遗忘和新类别的过拟合问题。大量实验在流行基准测试上表明，我们的方法优于最先进的方法。
引用
@article{arxiv.2601.07117,
title = {Few-shot Class-Incremental Learning via Generative Co-Memory Regularization},
author = {Kexin Bao and Yong Li and Dan Zeng and Shiming Ge},
journal= {arXiv preprint arXiv:2601.07117},
year = {2026}
}
备注
Accepted by International Journal on Computer Vision (IJCV)