Alapfogalmak
Proposing a novel approach for few-shot continual learning using Graph2Graph memory interaction.
Kivonat
最近のFew-Shot Class-Incremental Learning(FSCIL)は、新しいクラスに対処するための重要な役割を果たしており、Explicit Memory(EM)ベースの手法が有望であることが示されています。提案されたContrastive Augmented Graph2Graph(CAG2G)アプローチは、従来の手法よりも優れた性能を示しました。この手法は、グラフ構造を活用して局所的な幾何学的構造を導入し、少数のサンプルで古いクラスの特徴を正確に回復することで、過去の知識を効果的に保持します。
Statisztikák
CIFAR100データセットでの比較結果:
iCaRL: 50.37% → 13.73%
EEIL: 48.25% → 33.79%
NCM: 50.56% → 34.22%
CUB200データセットでの比較結果:
iCaRL: 47.52% → 21.16%
EEIL: 46.57% → 36.27%
NCM: 48.81% → 32.49%
ImageNet-Rデータセットでの比較結果:
記載なし
Idézetek
"Extensive comparisons on CIFAR100, CUB200, and the challenging ImageNet-R dataset demonstrate the superiority of our method over existing methods."
"We propose the G2G interaction for memory retrieval, which constructs a graph-to-graph interaction that introduces euclidean distance between local features and local prototypes."
"Our method achieves state-of-the-art (SOTA) performance by replaying only one image per class, reducing storage overhead."