S3C：用于少样本类增量学习的自监督随机分类器
计算机视觉与模式识别
2023-07-06 v1
摘要
少样本类增量学习（FSCIL）旨在以极少标注样本逐步学习新类，同时不遗忘已学类的知识。FSCIL 面临两大挑战：（i）因数据量有限而对新类过拟合；（ii）因增量阶段无法获取这些旧类数据而对旧类灾难性遗忘。本文提出自监督随机分类器（S3C）以应对 FSCIL 中的这两大挑战。分类器权重（或类原型）的随机性不仅缓解了新类样本大量缺失的不利影响，也缓解了增量步骤中已学类样本缺失的问题。自监督组件对此形成补充，其有助于从基类学习可良好泛化至未来遇见的未见类的特征，从而减少灾难性遗忘。在三个基准数据集上使用多种评估指标的广泛评估显示了所提框架的有效性。我们还对 FSCIL 的两种额外现实场景进行了实验，即每个新类可用标注数据量可能不同，以及基类数量少得多的情况，并表明所提 S3C 在所有这些挑战性场景下均显著优于最先进水平。
引用
@article{arxiv.2307.02246,
title = {S3C: Self-Supervised Stochastic Classifiers for Few-Shot Class-Incremental Learning},
author = {Jayateja Kalla and Soma Biswas},
journal= {arXiv preprint arXiv:2307.02246},
year = {2023}
}
备注
Accepted in ECCV 2022