关于基于池子的少样本增量学习提示学习的再思考
计算机视觉与模式识别
2025-07-22 v2
摘要
少样本增量学习 (FSCIL) 在现实场景中面临数据稀缺和增量学习的双重挑战。虽然基于池子的提示方法在传统增量学习中已显示出成功，但在 FSCIL 环境中的有效性尚未得到探索。本文首次系统研究当前提示池方法在 FSCIL 任务中的表现，发现其在增量 session 中会出现意外的性能下降。通过全面分析，我们识别出这一现象源于 token 维度饱和：在数据有限的情况下，过多的提示竞争任务相关信息，导致模型过拟合。基于此发现，我们提出了 LGSP-Prompt (Local-Global Spatial Prompting)，创新性地将基于池子的提示学习从 token 维度转向空间维度。LGSP-Prompt 通过 synergistically 结合局部空间特征和全局频率域表示来突出输入图像中的关键模式。我们构建了两个空间提示池，实现动态提示选择，以保持已获取的知识同时有效学习新 session。广泛的实验表明，我们的方法在多个 FSCIL 基准上实现了最先进的性能，在基本知识保持和增量学习方面显示出显著优势。我们的实现已可用 https://github.com/Jywsuperman/LGSP 提供。
引用
@article{arxiv.2507.09183,
title = {Revisiting Pool-based Prompt Learning for Few-shot Class-incremental Learning},
author = {Yongwei Jiang and Yixiong Zou and Yuhua Li and Ruixuan Li},
journal= {arXiv preprint arXiv:2507.09183},
year = {2025}
}
备注
Accepted to ICCV 2025, 11 pages