MASIL：面向少样本类增量学习的最大可分离类表示
计算机视觉与模式识别
2023-04-12 v1
摘要
少样本类增量学习（FSCIL）在每次增量会话中每类仅有少量样本，这是持续学习的现实设定，因为获取大量标注样本不可行且不经济。我们提出框架MASIL，作为学习最大可分离分类器的一步。它通过学习分类器权重在类间最大可分离以形成单纯形等角紧框架，解决了旧类遗忘和新类过拟合这一常见问题。我们提出概念分解的思想，用概念基解释基类崩塌特征，并利用这些为少样本类诱导分类器单纯形。我们进一步添加微调以减少分解中产生的任何误差，并在基类和新类上联合训练分类器，而无需在内存中保留任何基类样本。在miniImageNet、CIFAR-100和CUB-200上的实验结果表明，MASIL优于所有基准方法。
引用
@article{arxiv.2304.05362,
title = {MASIL: Towards Maximum Separable Class Representation for Few Shot Class Incremental Learning},
author = {Anant Khandelwal},
journal= {arXiv preprint arXiv:2304.05362},
year = {2023}
}
备注
13 pages, 2 figures, 6 tables