面向少样本类别增量学习的自适应决策边界
几何拓扑
2025-04-16 v1 代数拓扑
摘要
少样本类别增量学习（FSCIL）旨在从有限的训练样本集中持续学习新类别，而不忘记先前学习的知识。当前方法通常在大量训练样本下构建稳健的特征提取器，然后冻结该提取器，仅在后续增量阶段微调分类器。然而，这些策略主要关注防止灾难性遗忘，仅考虑新旧类别之间的关系，而未关注每个类别的特定决策空间。为此，我们提出了兼容大多数FSCIL方法的即插即用自适应决策边界策略（ADBS）。具体而言，我们为每个类别分配特定的决策边界，并在训练期间自适应调整这些边界，以最佳方式细化每个session中各类别的决策空间。此外，为放大类别间的区分性，我们采用一种新型的类别间约束损失，用于优化每个类别的决策边界和原型。在CIFAR100、miniImageNet和CUB200三个基准数据集上的广泛实验表明，将ADBS方法与现有FSCIL技术集成可显著提升性能，实现整体最先进的效果。
引用
@article{arxiv.2504.10975,
title = {Simplicial volume of open books in dimension 4},
author = {Thorben Kastenholz},
journal= {arXiv preprint arXiv:2504.10975},
year = {2025}
}