MoTiC：面向小样本类增量学习的动量紧致性与对比框架
计算机视觉与模式识别
2026-02-04 v1 人工智能
摘要
小样本类增量学习（FSCIL）必须应对从稀缺样本中学习新类别同时保留旧类别知识的双重挑战。现有方法使用冻结的特征提取器和类平均原型来缓解灾难性遗忘和过拟合。然而，由于数据极度稀缺，新类原型存在显著的估计偏差，而基类原型则受益于充足的数据。在这项工作中，我们从理论上证明，通过贝叶斯分析将新类先验与旧类统计量对齐可以减少方差并提高原型精度。此外，我们提出大规模对比学习以增强跨类别特征紧致性。为了进一步丰富特征多样性并为新类原型注入先验信息，我们将动量自监督和虚拟类别整合到动量紧致性与对比（MoTiC）框架中，构建了一个具有丰富表示和增强类间凝聚力的特征空间。在三个FSCIL基准上的实验产生了最先进的性能，特别是在细粒度任务CUB-200上，验证了我们方法减少估计偏差和提高增量学习鲁棒性的能力。
关键词
引用
@article{arxiv.2509.19664,
title = {MoTiC: Momentum Tightness and Contrast for Few-Shot Class-Incremental Learning},
author = {Zeyu He and Shuai Huang and Yuwu Lu and Ming Zhao},
journal= {arXiv preprint arXiv:2509.19664},
year = {2026}
}