通过显式学习与无遗忘校准实现广义与增量少样本学习
计算机视觉与模式识别
2021-08-19 v1
摘要
广义少样本学习和增量少样本学习都必须应对三大挑战：仅从每类极少样本中学习新类、防止对基类知识的灾难性遗忘，以及跨新类与基类的分类器校准。本工作提出一个三阶段框架，可显式且有效地应对这些挑战。第一阶段用大量样本学习基类，第二阶段从少量样本中学习新类的校准分类器同时防止灾难性遗忘，最后阶段实现所有类别间的校准。我们在四个具有挑战性的图像与视频少样本分类基准数据集上评估所提框架，并在广义与增量少样本学习中均取得最先进（SOTA）结果。
引用
@article{arxiv.2108.08165,
title = {Generalized and Incremental Few-Shot Learning by Explicit Learning and Calibration without Forgetting},
author = {Anna Kukleva and Hilde Kuehne and Bernt Schiele},
journal= {arXiv preprint arXiv:2108.08165},
year = {2021}
}
备注
ICCV 2021