单样本领域增量学习
机器学习
2025-02-25 v2 人工智能
计算机视觉与模式识别
摘要
领域增量学习（DIL）在先前关于分类深度神经网络模型的研究中已有讨论。在 DIL 中，我们假设新领域上的样本会随时间被观测到。模型必须对所有领域上的输入进行分类。然而在实践中，我们可能会遇到需要在只有少量新领域样本被观测到的约束下执行 DIL 的情况。因此，在本研究中，我们考虑只有来自新领域的一个样本的极端情况，我们将其称为单样本 DIL。我们首先通过实证表明，现有的 DIL 方法在单样本 DIL 中表现不佳。我们通过各种调查分析了这种失败的原因。根据我们的分析，我们阐明了单样本 DIL 的困难是由批归一化层中的统计量引起的。因此，我们提出了一种关于这些统计量的技术，并通过在开放数据集上的实验证明了我们技术的有效性。代码可在 https://github.com/ToyotaCRDL/OneShotDIL 获取。
引用
@article{arxiv.2403.16707,
title = {One-Shot Domain Incremental Learning},
author = {Yasushi Esaki and Satoshi Koide and Takuro Kutsuna},
journal= {arXiv preprint arXiv:2403.16707},
year = {2025}
}
备注
Accepted at IEEE International Joint Conference on Neural Networks (IJCNN) 2024