基于双曲几何中开集假设重新思考小样本类增量学习
计算机视觉与模式识别
2022-07-21 v1
摘要
小样本类增量学习（FSCIL）旨在从少量标注样本中增量学习新类，同时避免过拟合与灾难性遗忘。当前 FSCIL 协议通过模仿通用类增量学习设定而构建，但由于数据配置不同（即新类均处于有限数据体制下），该协议并不完全合适。本文以开集假设重新思考 FSCIL 的配置，在第一阶段为后续类别保留可能性。为使模型在闭集与开集识别上均获得更优性能，我们在互逆点学习（RPL）基础上结合双曲神经网络构建了双曲互逆点学习模块（Hyper-RPL）。此外，为从有限标注数据中学习新类别，我们将双曲度量学习（Hyper-Metric）模块引入基于蒸馏的框架，以缓解过拟合问题，并更好地权衡旧知识保持与新知识获取之间的矛盾。我们在三个基准数据集上对所提配置与模块进行了综合评估，以验证其在三项评价指标上的有效性。
引用
@article{arxiv.2207.09963,
title = {Rethinking Few-Shot Class-Incremental Learning with Open-Set Hypothesis in Hyperbolic Geometry},
author = {Yawen Cui and Zitong Yu and Wei Peng and Li Liu},
journal= {arXiv preprint arXiv:2207.09963},
year = {2022}
}
备注
submitted to IEEE Transactions on Cybernetics