用于小样本类增量学习的记忆互补网络
计算机视觉与模式识别
2023-02-08 v1 人工智能
摘要
小样本类增量学习(FSCIL)旨在仅用少量样本持续学习新概念，容易遭受灾难性遗忘和过拟合问题。旧类不可访问以及新样本稀缺使得在保留旧知识与学习新概念之间实现权衡变得艰巨。受不同模型在学习新概念时记忆不同知识的启发，我们提出一种记忆互补网络(MCNet)，以集成多个模型，这些模型在新任务中相互补充各自记忆的不同知识。此外，为用少量新样本更新模型，我们设计了一种原型平滑难挖掘三元组(PSHT)损失，将新样本推离当前任务中彼此以及旧分布。在CIFAR100、miniImageNet和CUB200三个基准数据集上的大量实验证明了我们所提方法的优越性。
引用
@article{arxiv.2208.05610,
title = {Memorizing Complementation Network for Few-Shot Class-Incremental Learning},
author = {Zhong Ji and Zhishen Hou and Xiyao Liu and Yanwei Pang and Xuelong Li},
journal= {arXiv preprint arXiv:2208.05610},
year = {2023}
}