用于少样本类增量学习的原型四元组
计算机视觉与模式识别
2023-09-06 v3 机器学习
摘要
数据稀缺与新任务增量学习对许多现代计算机视觉算法构成两大瓶颈。灾难性遗忘现象，即模型在训练新批次数据后无法分类先前学习的数据，是一个主要挑战。常规方法在解决灾难性遗忘的同时损害了当前阶段的训练。基于生成回放的方法，如生成对抗网络（GANs），已被提出以缓解灾难性遗忘，但用少量样本训练GANs可能导致不稳定。为应对这些挑战，我们提出一种新方法，通过使用改进对比损失识别更好的嵌入空间来提升分类鲁棒性。我们的方法即使在用新类训练时，也通过更新先前阶段类原型以代表真实类均值来保留嵌入空间中已获取的知识，这对我们的最近类均值分类策略至关重要。我们通过展示嵌入空间在用新类训练模型后保持完整，并在不同阶段的准确率上优于现有最先进算法，证明了我们方法的有效性。
引用
@article{arxiv.2211.02947,
title = {Prototypical quadruplet for few-shot class incremental learning},
author = {Sanchar Palit and Biplab Banerjee and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:2211.02947},
year = {2023}
}
备注
Submitted to IJCNN 2023