Nov, 2023
鲁棒特征学习和全局方差驱动的分类器对齐：用于长尾类增量学习
Robust Feature Learning and Global Variance-Driven Classifier Alignment
for Long-Tail Class Incremental Learning
TL;DR本研究介绍了一个两阶段的框架，旨在加强长尾类增量学习，使模型能够在逐步学习新类别的同时，减轻在长尾数据分布中可能出现的灾难性遗忘。该框架通过利用全局方差作为信息度量和第二阶段的类别原型，实现了分类器的对齐，从而有效捕捉类别属性，消除了数据平衡或额外层调整的需求。在第一阶段使用传统的类别增量学习损失函数的同时，该方法加入了混合类别以学习鲁棒的特征表示，确保更平滑的边界。该框架可以作为一个模块与任何类别增量学习方法无缝集成，有效处理长尾类增量学习场景。在CIFAR-100和ImageNet-Subset数据集上进行的大量实验证明了该方法的有效性，在各种长尾类增量学习设置中表现出了优越性。