面向小样本类增量学习的自提升原型精炼
计算机视觉与模式识别
2021-07-20 v1
摘要
小样本类增量学习旨在利用少量样本识别新类且不遗忘旧类。由于表征优化与原型重组仅能在极弱监督下完成，这是一项具有挑战性的任务。为解决该问题，我们提出了一种新颖的增量原型学习方案。我们的方案包含一种随机片段选择策略，其使特征表征适应于各种生成的增量片段以增强相应的可扩展性，以及一种自提升原型精炼机制，该机制通过显式考虑不同类之间的依赖关系来加强新类的表达能力。特别地，我们提出了一个动态关系投影模块，用于在共享嵌入空间中计算关系矩阵并将其作为引导原型更新的因子。在三个基准数据集上的大量实验证明了优于平均水平的增量性能，分别以 13%、17% 和 11% 的幅度超越了最先进的方法。
引用
@article{arxiv.2107.08918,
title = {Self-Promoted Prototype Refinement for Few-Shot Class-Incremental Learning},
author = {Kai Zhu and Yang Cao and Wei Zhai and Jie Cheng and Zheng-Jun Zha},
journal= {arXiv preprint arXiv:2107.08918},
year = {2021}
}
备注
Accepted by CVPR 2021