In diesem Artikel wird ein neuer Ansatz für das Wenig-Schritt-Klasseninkrementelle Lernen (FSCIL) vorgestellt, der auf der Disentanglement von Beziehungen zwischen Kategorien basiert. Die Herausforderung liegt darin, dass es schwierig ist, die Beziehungen zwischen Kategorien direkt zu kontrollieren, da FSCIL-Modelle inkrementell trainiert werden müssen und die Trainingsdaten für neue und alte Kategorien nicht gleichzeitig zugänglich sind.
Um diese Herausforderung zu überwinden, schlagen die Autoren eine neue Methode namens CTRL-FSCIL vor. In der ersten Phase des Trainings wird eine Ankerungsstrategie für die Basisklassen-Einbettungen und eine Diskriminabilitäts-Verstärkungsstrategie für Disentanglement-Proxies verwendet, um die Beziehungen zwischen Kategorien kontrollierbar zu machen. In der zweiten Phase wird dann ein Beziehungsdisentanglement-Regler verwendet, um die Korrelationen zwischen Kategorien zu korrigieren und so die Probleme der Scheinkorrelation zu unterdrücken.
Die Experimente auf CIFAR-100, mini-ImageNet und CUB-200 zeigen, dass CTRL-FSCIL die Leistung im Wenig-Schritt-Klasseninkrementellen Lernen deutlich verbessern kann.
Para Outro Idioma
do conteúdo original
arxiv.org
Principais Insights Extraídos De
by Yuan Zhou,Ri... às arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.11070.pdfPerguntas Mais Profundas