双曲由粗到细的小样本类增量学习
计算机视觉与模式识别
2025-09-24 v1 人工智能
机器学习
机器学习
摘要
在机器学习领域，双曲空间相比传统欧几里得空间展现出对层次数据更优的表示能力。本工作聚焦于由粗到细的小样本类增量学习（C2FSCIL）任务。我们的研究遵循 Knowe 方法，该方法对比学习粗类标签，随后在嵌入空间中对已学习的细类分类器权重进行归一化并冻结。为了更好地诠释“由粗到细”范式，我们提出将特征提取器嵌入双曲空间。具体而言，我们采用双曲空间的 Poincaré 球模型，使特征提取器能够将输入图像转换为 Poincaré 球内的特征向量，而非欧几里得空间。我们进一步引入双曲对比损失和双曲全连接层，以促进在双曲空间中的模型优化与分类。此外，为了提升小样本条件下的性能，我们在双曲空间中实现最大熵分布，以估计细类特征向量的概率分布。这使得能够从该分布生成增强特征，以缓解在有限样本训练期间的过拟合。在 C2FSCIL 基准上的实验表明，我们的方法有效提升了粗类和细类的准确率。
关键词
引用
@article{arxiv.2509.18504,
title = {Hyperbolic Coarse-to-Fine Few-Shot Class-Incremental Learning},
author = {Jiaxin Dai and Xiang Xiang},
journal= {arXiv preprint arXiv:2509.18504},
year = {2025}
}