Aug, 2023

少样本类别增量学习综述

PDF
TL;DRFew-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.
few-shot class-incremental learningcontinuous learningempirical risk minimizationincremental learningfew-shot learning
发现论文，激发创造
  • Few-Shot 类增量学习调查

    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

  • 增强的少样本逐类增量学习通过集合模型

    通过设计新的集成模型框架与数据增强，以解决在少样本类别增量学习中的过拟合问题，并应用多输入多输出的集成结构和空间感知的数据增强策略来改善特征提取器的多样性和减轻过拟合，同时整合自监督学习以进一步提高模型泛化能力，综合实验结果表明该方法在少样本类别增量学习中能够减轻过拟合问题，并且优于现有方法。

    Jan, 2024

  • 减少偏差的少样本递增学习

    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

  • 开放集角度下的少样本类增量学习

    本文探究 Few-Shot Class-Incremental Learning（FSCIL）这个重要任务及其数据稀缺性的极端条件，并提出了一种称为 Augmented Angular Loss Incremental Classification（ALICE）的模型来解决该问题。实验证明，相比于现有的 FSCIL 方法，ALICE 具有更好的性能。

    Jul, 2022

  • 持续进化的分类器用于小样本增量学习

    本文提出了一种基于分离学习策略的持续演化分类器（CEC）框架，该框架在每个增量会话中只更新分类器，从而避免了表示的知识遗忘问题，并采用伪增量学习方法优化图参数来构建持续的上下文信息传递网络，以解决少样本类别增量学习（FSCIL）的课程先决问题，实验结果表明该方法在 CIFAR100、miniImageNet 和 Caltech-USCD Birds-200-2011（CUB200）等基准数据集上表现出 remarkable 的优势。

    Apr, 2021

  • 基于视觉语言模型的少样本类增量学习

    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

  • 自监督随机分类器用于少样本类别增量学习

    本文提出一种自我监督的随机分类器（S3C），来解决少样本类增量学习中过拟合和灾难性遗忘的问题，并在三个基准数据集上进行了广泛的评估，表明所提出的框架的有效性。

    Jul, 2023

  • 基于语义感知的少样本类别增量学习知识蒸馏

    本研究提出一种用于解决 few-shot class incremental learning（FSCIL）问题的蒸馏算法，该算法利用语义信息进行训练，同时提出基于注意机制的方法来对齐视觉和语义向量，从而有效降低了灾难性遗忘的影响，并成功地在 MiniImageNet、CUB200 和 CIFAR100 数据集上创下了新的最优结果。

    Mar, 2021

  • 设备上每类 12 毫焦耳的在线少样本分类 - 增量学习

    本研究介绍了一种在线少样本增量学习（O-FSCIL）方法，该方法通过使用预训练和元学习的特征提取器以及存储类别原型的可扩展显式内存，使机器学习系统能够仅使用少量标记示例来扩展其推理能力，同时不会忘记先前学习的类别。O-FSCIL 在 FSCIL CIFAR100 基准测试中获得了 68.62％的平均准确率，实现了最先进的结果。针对超低功耗平台，我们将 O-FSCIL 实现在 60 mW 的 GAP9 微控制器上，仅使用 12 mJ 的能量来展示在线学习能力。

    Mar, 2024

  • 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