明确学习和校准进行增量化通用少样本学习而无遗忘
在 Few-Shot Class-Incremental Learning (FSCIL) 场景中,我们发现现有方法倾向于将新类别的样本错误地分类为基类别,导致新类别的性能表现较差。为了解决这一问题,我们提出了一种简单而有效的训练无关的校准策略(TEEN),通过将新类别的原型与加权基类别的原型相融合,以增强新类别的可区分性。在 FSCIL 标准基准测试中,TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。
Dec, 2023
该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习,并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题,实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。
Apr, 2020
本研究探讨在图模型中实施分类增量学习的挑战性实际问题,提出了基于伪增量学习和分层注意力的图元学习框架,通过这些设计实验得出了该模型在图模型中表现出更好的增量学习效果。
Dec, 2021
本研究提出基于元学习的 LearnIng Multi-phase Incremental Tasks (LIMIT) 方法,合成假的 Few-shot Class-Incremental Learning 任务来建立分类特征空间,并基于 Transformer 构建校准模块,实现新类别的适应和对旧类别的防遗忘,该方法在多个数据集上实现了最好表现。
Mar, 2022
本文从方法学、性能、应用等多个角度全面分析了最新的 few-shot class-incremental learning(FSCIL)的进展,包括理论研究、性能评估和应用案例,针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题,提出了一种划分方法,将 FSCIL 分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域,并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。
Apr, 2023
本研究提出了一种用于解决少样本增量学习中模型偏差问题的新方法,通过激发映射能力、分别进行双特征分类和自优化分类器等步骤,显著减轻了模型偏差问题,并在三个广泛使用的少样本增量学习基准数据集上取得了最先进的性能。
Feb, 2024
提出了一种新的增量原型学习方案,其中包括自适应特征表示和自我推进的原型细化机制,通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素,经过三个基准数据集的广泛实验,表现优于现有的增量学习方法。
Jul, 2021
本研究提出通过使用 3D CNN 学习视频空时特征并在基类上 fine-tuning 分类器来解决 few-shot video classification 问题,其表现超过现有基准测试的先前方法 20 点以上,同时提出了利用标签检索和生成式对抗网络生成视频特征的方法,以更好地应对无标签示例的需求,并使用更具挑战性的基准数据集对模型进行了评估。
Jul, 2020
本文提出了一种简单有效的学习方案,来解决 few-shot class-incremental learning 中平衡新任务的欠拟合和遗忘之前任务的挑战,并在 CUB200、CIFAR100 和 miniImagenet 数据集上展现了领先的性能。
May, 2023
Few-shot Class-Incremental Learning (FSCIL) is comprehensively reviewed, covering problem definition, challenges, general schemes, benchmark datasets, evaluation metrics, classification methods, object detection methods, and future research directions.
Aug, 2023