面向小样本类增量学习的二级图网络
计算机视觉与模式识别
2023-03-27 v1
摘要
小样本类增量学习（FSCIL）旨在设计能从少量数据点持续学习新概念且不遗忘旧类知识的机器学习算法。难点在于新类的有限数据不仅导致显著的过拟合问题，还加剧了臭名昭著的灾难性遗忘问题。然而，现有 FSCIL 方法忽略了样本级与类级之间的语义关系。本文中，我们为 FSCIL 设计了一种二级图网络，称为样本级与类级图神经网络（SCGN）。具体而言，SCGN 中设计了一种伪增量学习范式，其将合成的虚拟小样本任务作为新任务以提前优化 SCGN 模型参数。样本级图网络利用少量样本间的关系聚合相似样本并获得精炼的类级特征。类级图网络旨在缓解新类与原型特征同旧类之间的语义冲突。SCGN 构建二级图网络以保障每个小样本类的潜在语义能在 FSCIL 中被有效表示。在三个流行基准数据集上的实验表明，我们的方法显著优于基线，并以明显优势刷新了当前最优结果。
引用
@article{arxiv.2303.13862,
title = {Two-level Graph Network for Few-Shot Class-Incremental Learning},
author = {Hao Chen and Linyan Li and Fan Lyu and Fuyuan Hu and Zhenping Xia and Fenglei Xu},
journal= {arXiv preprint arXiv:2303.13862},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2203.06953 by other authors