面向少样本类别增量学习的知识适应网络
计算机视觉与模式识别
2024-09-19 v1 人工智能
摘要
少样本类别增量学习（FSCIL）旨在使用少量样本逐步识别新类别，同时维持对先前学习类别的性能。构建原型演化分类器是解决这一挑战的有效方法之一。尽管大多数现有方法取得了进展，但分类器权重仅使用均值特征进行初始化。由于新类别的表示较弱且偏斜，我们认为该策略次优。在本文中，我们从两个方面解决该问题。首先，感谢基础模型的发展，我们采用CLIP作为网络底座，为每个类别提供通用表示。其次，为生成更可靠和全面的实例表示，我们提出了知识适配器（KA）模块，用于总结训练数据中的数据特定知识并将其融入通用表示。此外，我们提出了通过模拟实际FSCIL的增量伪episode学习（IPEL）机制，以调整从基础类别学习到的知识以适应后续类别。综上所述，我们提出的方法称为知识适应网络（KANet），在广泛的数据集上（包括CIFAR100、CUB200和ImageNet-R）实现了竞争性能。
引用
@article{arxiv.2409.11770,
title = {Knowledge Adaptation Network for Few-Shot Class-Incremental Learning},
author = {Ye Wang and Yaxiong Wang and Guoshuai Zhao and Xueming Qian},
journal= {arXiv preprint arXiv:2409.11770},
year = {2024}
}
备注
13 pages;6 figures