전방 및 후방 호환 가능한 소수 샷 클래스 증분 알약 인식 프레임워크
본 연구는 전방 호환성과 후방 호환성 학습 구성요소를 포함하는 소수 샷 클래스 증분 알약 인식 프레임워크 DBC-FSCIL을 제안한다. 전방 호환성 학습에서는 가상 클래스 합성 전략과 Center-Triplet 손실 함수를 제안하여 판별적 특징 학습을 향상시킨다. 후방 호환성 학습에서는 불확실성 정량화를 활용하여 이전 클래스의 신뢰할 수 있는 의사 특징을 합성하고, 이를 통해 데이터 재생과 지식 증류를 수행한다.
