VPAF-FSCIL:虚拟原型校准与参数自适应冻结技术,用于少样本类增量学习
《Neural Networks》:VPAF-FSCIL: Virtual Prototype Calibration and Parameter-Adaptive Freezing for Few-Shot Class-Incremental Learning
【字体:
大
中
小
】
时间:2026年05月16日
来源:Neural Networks 6.3
编辑推荐:
叶瑶|李俊熙|熊晨摘要类增量学习(Class Incremental Learning,CIL)使模型能够在保留对先前学习过的类别知识的同时,学习图像中的新类别。然而,传统的CIL方法假设新类别有充足的数据,这在自动驾驶和医学诊断等实际应用中往往是不现实的。少样本类增量学习(Fe
叶瑶|李俊熙|熊晨
摘要
类增量学习(Class Incremental Learning,CIL)使模型能够在保留对先前学习过的类别知识的同时,学习图像中的新类别。然而,传统的CIL方法假设新类别有充足的数据,这在自动驾驶和医学诊断等实际应用中往往是不现实的。少样本类增量学习(Few-Shot Class Incremental Learning,FSCIL)通过利用最少的数据来学习新类别,解决了这一问题。尽管如此,FSCIL仍面临灾难性遗忘、特征漂移和类别不平衡等挑战,这些挑战会阻碍模型的有效适应。为了解决这些问题,我们提出了一种方法,该方法结合了特征解耦网络架构和参数自适应冻结(Parameter-Adaptive Freezing,PAF)训练策略,旨在提高特征的稳定性和对新类别的适应性。受等角紧框架(Equiangular Tight Frame,ETF)理论的启发,我们将模型分解为三个部分:特征提取器(Feature Extractor)、特征分配器(Feature Distributor)和ETF分类器(ETF Classifier)。这种结构通过自适应的虚拟类别空间分配,确保新类别获得最佳的嵌入表示。此外,PAF根据费舍尔信息矩阵(Fisher Information Matrix)选择性地冻结关键参数,这有助于最小化对旧类别的遗忘,同时提高新类别的泛化能力。在CIFAR-100、miniImageNet和CUB-200-2011数据集上的广泛实验表明,我们提出的方法在分类准确性和稳定性方面均优于现有的FSCIL方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号