关键词few-shot class incremental learning
搜索结果 - 11
- 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 - CVPR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。
- 连续学习：视频表示的无遗忘冠军子网络
通过使用 Winning Subnetworks (WSN) 来增强连续学习任务中的学习能力，提出了适用于 Few-Shot Class Incremental Learning (FSCIL) 和 Video Incremental Le - 评估可部署的生命周期学习预训练模型
我们创建了一个新的基准，用于评估预训练在精选数据集上的可部署终身学习系统，提出了一个新的可扩展的终身学习系统，能够保持先前学习的强化学习任务中的知识。我们的基准衡量了一个可部署的终身学习系统在可伸缩性、性能和资源利用方面的效果。我们提出的系 - 解释性集成的聚合 f - 平均神经网络
使用集成学习方法和聚合方法相结合的浅层神经网络在少样本类别增量学习问题上表现出良好性能。
- CBCL-PR：一种在机器人领域实现逐类增量学习的认知启发模型
通过受海马体和新皮质概念学习理论启发，我们提出了一种新颖的框架来解决小样本类递增学习的问题，在两个对象分类数据集上评估了框架的性能，结果显示其具有类递增学习和小样本类递增学习的最新技术水平，并通过在机器人上演示表明我们的框架在有限的人类辅助 - 少样本类别增量学习的主动类别选择
通过与用户的有限交互，为真实世界的应用而设计的机器人将需要不断学习其环境。本文结合了少样本类增量学习（FSCIL）和主动类选择（ACS）的思想，开发了一个新框架，使自主代理能够通过要求用户仅对环境中最富信息的少数对象进行标记来持续学习新对象 - 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 - ICLR关于少样本类增量学习的软子网络
提出了一种称为 SoftNet 的 few-shot 类增量学习方法，能够通过联合学习模型权重和自适应非二进制软掩码，在保留先前学习知识的同时，学习逐渐学习每个类别的几个示例，以解决此类问题，并超越基准数据集上的现有方法。
- CVPR手绘式增量学习：通过绘制几幅素描进行分类增量学习
本文提出了一种名为 'Doodle It Yourself' 的基于草图的 few-shot class incremental learning 框架，利用多种模式使模型学习到更多的新概念。实验表明，相比于文本，草图更适合用作支持样本。
- ICLRFew-Shot 类增量学习的子空间正则化器
本文提出了一种简单的机器学习方法，通过采用特定的子空间正则化方案，让新增类别的权重向量与现有类别的权重向量所构成的子空间尽量接近，实现了使用普通逻辑回归分类器进行少样本类别增量学习的目的，该方法在 miniImageNet 数据集上优于当前