Sep, 2023

图像 - 物体特定提示学习用于少样本类增量学习

PDF
TL;DR使用 Contrastive Language-Image Pre-training (CLIP) 模型的泛化能力，我们提出了一种创新的 FSCIL 训练框架，通过为输入图像创建针对图像对象特定属性（如翅膀或轮胎）而非背景的 IOS 分类器来解决增量会话中编码器表现不佳的问题。通过特定设计的模块利用关键提示对 IOS 分类器进行编码，以找到每个会话中类别的 IOS 特征，从而始终保留先前的知识并快速适应新的会话，而不会遗忘或过拟合，在 miniImageNet、CIFAR100 和 CUB200 数据集上的实验证明了我们方法相对于最先进方法的优越性能，并通过额外实验验证了我们所学模型实现 IOS 分类器的能力，并进行了消融研究以分析架构中每个模块的影响。
fscilincremental sessionstraining frameworkios classifiersclip model
发现论文，激发创造
  • 多模态参数高效的少样本类增量学习

    本文提出了一种名为 CPE-CLIP 的参数高效持续学习方法，利用 CLIP 预训练阶段获取的丰富知识和泛化能力实现类别学习，其结果表明，相比现有方法，CPE-CLIP 显著提高了少样本类别增量学习的性能，同时也大大减少了可学习参数和训练成本。

    Mar, 2023

  • PL-FSCIL: 利用提示的能力进行少样本类递增学习

    在这篇论文中，我们提出了一种名为 Prompt Learning for FSCIL（PL-FSCIL）的新方法，它利用了信息提示和预训练视觉转换器（ViT）模型的能力来有效解决 Few-Shot Class-Incremental Learning（FSCIL）所面临的挑战。这项工作首次在 FSCIL 中使用了视觉提示，具有明显的简单性。PL-FSCIL 由两个不同的提示组成：域提示和 FSCIL 提示，它们通过嵌入到 ViT 模型的注意层中来增强模型的性能。我们在 CIFAR-100 和 CUB-200 等广泛使用的基准数据集上验证了 PL-FSCIL 的有效性，结果展示了竞争性能，凸显了其在缺乏高质量数据的实际应用中的潜力。

    Jan, 2024

  • 针对小样本类增量学习的平衡监督对比学习

    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

  • 多模态小样本类增量细粒度数据学习的简化方法

    该研究提出了两个简单的模块来解决 Vision-Language 模型在少样本类增量学习方面的挑战，并在新引入的细粒度数据集上实验结果表明，相比基准模型平均提高了 10 个百分点，而所需的可训练参数少至 8 倍。

    Mar, 2024

  • 利用基于分布的特征回放学习增量少样本分类

    利用视觉 - 语言模型 (CLIP) 并结合学习提示和基于分布的特征重放的方法 (LP-DiF)，在少样本类别增量学习问题上取得了最先进的结果 (SOTA)。

    Jan, 2024

  • 具有注意力感知的自适应提示的少样本类增量学习

    Attention-aware Self-adaptive Prompt (ASP) is a novel framework for Few-Shot Class-Incremental Learning (FSCIL), which prevents overfitting on base tasks and outperforms state-of-the-art methods in learning new classes and mitigating forgetting.

    Mar, 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

  • 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

  • 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