基于间隔的小样本类增量学习及类级过拟合缓解
计算机视觉与模式识别
2022-10-11 v1
摘要
小样本类增量学习（FSCIL）旨在基于类上充分样本预训练后，仅用少量训练样本增量识别新类，其关注基类性能与新类泛化能力。对基类训练的一个知名改进是施加基类分类间隔。然而，存在一个困境：在基类训练中施加间隔时，我们难以同时获得良好的基类性能和新类泛化能力，这仍未被充分探究。本文研究了FSCIL中该困境的成因。我们首先从模式学习角度将此困境解释为类级过拟合（CO）问题，进而发现其原因在于基于间隔模式的学习约束易于满足。基于该分析，我们提出了一种新颖的基于间隔的FSCIL方法，通过由间隔模式自身为模式学习过程提供额外约束来缓解CO问题。在CIFAR100、Caltech-USCD Birds-200-2011（CUB200）和miniImageNet上的大量实验表明，所提方法有效缓解了CO问题并取得了最先进的性能。
引用
@article{arxiv.2210.04524,
title = {Margin-Based Few-Shot Class-Incremental Learning with Class-Level Overfitting Mitigation},
author = {Yixiong Zou and Shanghang Zhang and Yuhua Li and Ruixuan Li},
journal= {arXiv preprint arXiv:2210.04524},
year = {2022}
}