本研究では、少量サンプルを用いた段階的な学習(FSCIL)の問題に取り組む。FSCIL では、初期の基本クラスに対して十分なデータが利用可能であるのに対し、後続の新規クラスでは少量のデータしか利用できない。この課題に対して、以下の2つの手法を提案する:
基本モデル学習時に、言語正則化項を導入することで、視覚情報と言語情報の関係性を学習する。これにより、新規クラスの学習時に既存の知識を活用できるようになる。
段階的な学習時には、セマンティックサブスペース正則化を用いて、新規クラスの表現を基本クラスの表現の凸結合で近似するようにする。これにより、既存クラスの性能を維持しつつ、新規クラスを学習できる。
提案手法は、CIFAR-100、miniImageNet、tieredImageNetの3つのベンチマークデータセットで評価され、既存手法を上回る性能を示した。特に、CIFAR-100データセットでは約7%の精度向上が確認された。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Anurag Kumar... at arxiv.org 05-03-2024
https://arxiv.org/pdf/2405.01040.pdfDeeper Inquiries