May, 2024

探索基础小说混淆：针对少样学习的冗余探索

PDF
TL;DR少样本类增量学习 (FSCIL) 的研究旨在从有限的样本中获取关于新类的知识，同时保留关于基类的信息。本文通过定量和定性实验，探究了新类与基类的碰撞现象，发现基类特征和像素空间中的冗余是碰撞的主要原因。基于此分析，为了减轻基类与新类之间的碰撞，我们提出了一种名为冗余解耦与整合 (RDI) 的 FSCIL 方法。该方法通过将基类空间中的冗余解耦，压缩了基类特征空间，为新类创造了缓冲空间，从而有效地缓解了模型对基类与新类之间的混淆。在包括 CIFAR-100、miniImageNet 和 CUB-200-2011 在内的基准数据集上进行的大量实验表明，我们的方法达到了最先进的性能。
few-shot class-incremental learningcatastrophic forgettingoverfittingredundancy decoupling and integrationbase-class feature space
发现论文，激发创造
  • 无需训练的原型校准的少样本类增量学习

    在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

    Dec, 2023

  • 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

  • Few-shot 类增量学习的基本和新颖表现揭秘

    本文研究了 few-shot class-incremental learning (FSCIL) 问题，提出了一种基于规范化原型分类器的简单方法，名为 NoNPC，该方法适用于增量式新类别的识别，具有与先进算法相当的性能表现。

    Jun, 2022

  • 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

  • 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

  • 基于知识转移的 Few-Shot 类增量学习

    提出了一种基于知识传递的关系补充网络（KT-RCNet）方法，使用多样的伪增量任务作为代理来实现知识传递，并通过对模型的塑性进行充分的优化来满足 Few-shot class-incremental learning 的学习目标，实现了对三种常见的 Few-shot class-incremental learning 数据集的良好实验效果。

    Jun, 2023

  • 基于语义感知的虚拟对比约束学习：适用于小样本类递增学习的方法

    通过引入虚拟类别的概念，我们提出了一种基于语义感知的虚拟对比模型（SAVC），显著提高了基础类别的分类效果和新类别的泛化能力。

    Apr, 2023

  • 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

  • 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

  • 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