TLCE：基于迁移学习的分类器集成用于小样本类增量学习
计算机视觉与模式识别
2023-12-08 v1
摘要
小样本类增量学习（FSCIL）难以在不遗忘旧类或过拟合新类的情况下，从少量样本中增量地识别新类。我们提出了TLCE，它集成多个预训练模型以改善新类和旧类的分离。TLCE通过使用情景训练将旧类图像映射到准正交原型，从而最小化新旧类之间的干扰。然后，它集成多样化的预训练模型，以更好地适应新类，尽管存在数据不平衡。在各种数据集上的大量实验表明，我们的迁移学习集成方法优于最先进的FSCIL方法。
引用
@article{arxiv.2312.04225,
title = {TLCE: Transfer-Learning Based Classifier Ensembles for Few-Shot Class-Incremental Learning},
author = {Shuangmei Wang and Yang Cao and Tieru Wu},
journal= {arXiv preprint arXiv:2312.04225},
year = {2023}
}