基于特征增强的少样本类别增量学习中的战略基表示学习
计算机视觉与模式识别
2025-01-17 v1
摘要
少样本类别增量学习要求模型在保持先前知识的同时，学习新类别，且仅需少量训练样本。现有框架通常在新增类别时冻结先前类别的参数，但这种方法常导致先前类别的次优类别间隔，进而引起旧类与新类之间的重叠，导致旧类的性能在新类上下降。为解决这些挑战，我们提出了一种基于特征增强驱动的对比学习框架，以增强先前类别的间隔以容纳新类别。我们的做法是对特征向量进行增强并分配代理标签，这一策略扩大了特征空间，确保新类别在扩张后的空间中无缝集成。此外，我们采用自监督对比损失以提高类别间的分离度。在三个 FSCIL 基准数据集上进行实验验证：CIFAR100、miniImageNet 和 CUB200。结果表明，我们的特征增强驱动的对比学习框架显著优于其他方法，实现了最先进的性能。
引用
@article{arxiv.2501.09361,
title = {Strategic Base Representation Learning via Feature Augmentations for Few-Shot Class Incremental Learning},
author = {Parinita Nema and Vinod K Kurmi},
journal= {arXiv preprint arXiv:2501.09361},
year = {2025}
}
备注
Accepted at WACV 2025