图少样本类增量学习
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
基于样本到类的图学习方法(Sample-to-Class,S2C)的小样本增量学习(Few-shot class-incremental learning,FSCIL)对于从少量数据样本中学习新概念且不忘记旧类别的知识具有重要意义。本文提出了样本级图网络(Sample-level Graph Network,SGN)和类别级图网络(Class-level Graph Network,CGN)来分析样本之间的关系,并通过多阶段的训练策略来提高模型的学习能力。实验证明,该方法在 FSCIL 中明显优于基线模型,取得了新的最先进结果。
Oct, 2023
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
通过受海马体和新皮质概念学习理论启发,我们提出了一种新颖的框架来解决小样本类递增学习的问题,在两个对象分类数据集上评估了框架的性能,结果显示其具有类递增学习和小样本类递增学习的最新技术水平,并通过在机器人上演示表明我们的框架在有限的人类辅助下能够持续学习对大量家居物品进行分类。
Jul, 2023
提出了一种新的少样本学习框架 FAITH,通过构建分层任务图并设计基于损失的采样策略来捕获任务相关性,利用学习到的任务之间的相关性进行少样本图分类,实验结果表明其在四个流行的少样本图分类数据集上表现优于其他现有方法。
May, 2022
我们介绍了一种创新的 FSCIL 框架,利用语言正则化器和子空间正则化器,该框架不仅能够使模型拥抱有限数据的新类别,还能确保对基础类别的性能保持,通过在基础训练阶段利用视觉 - 语言模型提取的语义信息和在增量训练阶段促进模型对图像和文本语义之间微妙连接的学习。
May, 2024
本篇研究研究了在说名高成本的标注或标签问题下,如何使用监督图形对比学习,数据增强,子图编码和多尺度对比等机制,实现图形节点分类任务的有效编码器。实验表明,相比基于元学习的方法,这个新的框架可以显著提高少样本节点分类问题的性能。
Mar, 2022
本论文提出了一个三阶段框架来解决 Few-shot 学习中的挑战,包括学习新类别,避免基类的灾难性遗忘以及横跨新基类的分类器校准,通过在图像和视频少样本分类的四个基准数据集上的实验证明该框架达到了最先进的结果。
Aug, 2021
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