Jan, 2024

利用基于分布的特征回放学习增量少样本分类

PDF
TL;DR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)。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • FILP-3D：利用预训练视觉语言模型增强 3D 少样本类别渐进学习

    通过引入 Redundant Feature Eliminator (RFE) 和 Spatial Noise Compensator (SNC) 两个新颖组件，实现了在有限数据上进行递增训练时对灾难性遗忘问题的减轻。实验结果表明，该方法在现有 3D FSCIL 基准和我们的数据集上明显优于现有的最先进方法。

    Dec, 2023

  • 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

  • 图像 - 物体特定提示学习用于少样本类增量学习

    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。

    Sep, 2023

  • 预训练视觉与语言变形器是少样本增量学习者

    本文介绍了一种名为 PriViLege 的新型 FSCIL 框架，通过预训练的视觉和语言转换模型以及提示函数和知识蒸馏，有效地解决了 FSCIL 中的遗忘和过拟合问题，并获得了明显优于现有方法的结果。

    Apr, 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

  • 少样本类别增量学习综述

    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