重塑少样本类别增量学习：从自己身上学习
计算机视觉与模式识别
2024-07-11 v1
摘要
少样本类别增量学习（FSCIL）旨在以有限样本的few-shot方式学习顺序类别。从经典的类别增量学习设置继承而来，FSCIL的流行基准使用平均准确率（aAcc）和最后任务平均准确率（lAcc）作为评估指标。然而，我们发现，这些评估指标可能不足以突出新类别的性能，而在此基准下，FSCIL方法的持续学习能力可能被忽视。在本工作中，作为现有指标的补充，我们提出了一种新指标——广义平均准确率（gAcc），旨在通过引入参数α的引导，提供额外的公平评估。我们还以曲线下面积（AUC）形式提出整体指标。凭借gAcc的引导，我们释放了视觉变换器中间特征的潜能，以提升新类别的性能。我们利用较少类别特定且更具可 generalizations 的中间层信息，对最终特征进行校正，从而实现更具可 generalizations 的基于变换器的FSCIL框架。无需复杂的网络设计或繁琐的训练程序，我们的方法在三个数据集上的aAcc和gAcc均优于现有的FSCIL方法。详见代码：https://github.com/iSEE-Laboratory/Revisting_FSCIL
引用
@article{arxiv.2407.07468,
title = {Rethinking Few-shot Class-incremental Learning: Learning from Yourself},
author = {Yu-Ming Tang and Yi-Xing Peng and Jingke Meng and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2407.07468},
year = {2024}
}
备注
Accepted to ECCV 2024