MgSvF：面向小样本类增量学习的多粒度慢速vs.快速框架
计算机视觉与模式识别
2024-03-13 v4 机器学习
摘要
作为一个具有挑战性的问题，小样本类增量学习（FSCIL）持续学习一系列任务，面临着旧知识慢速遗忘与新知识快速适应的两难困境。本文聚焦于这一“慢速vs.快速”（SvF）困境，以确定哪些知识成分应以慢速方式更新或以快速方式更新，从而平衡旧知识保持与新知识适应。我们提出一种多粒度SvF学习策略，从两个不同粒度应对SvF困境：空间内（同一特征空间内）与空间间（两个不同特征空间之间）。该策略设计了新颖的频率感知正则化以增强空间内SvF能力，同时开发了新的特征空间组合操作以提升空间间SvF学习性能。借助多粒度SvF学习策略，我们的方法大幅优于当前最先进的方法。
引用
@article{arxiv.2006.15524,
title = {MgSvF: Multi-Grained Slow vs. Fast Framework for Few-Shot Class-Incremental Learning},
author = {Hanbin Zhao and Yongjian Fu and Mintong Kang and Qi Tian and Fei Wu and Xi Li},
journal= {arXiv preprint arXiv:2006.15524},
year = {2024}
}