每类12 mJ 的设备端在线少样本类增量学习

少样本类增量学习（Few-Shot Class-Incremental Learning, FSCIL）使机器学习系统能够在仅使用少量标注样本的情况下，扩展其推理能力以识别新类别，同时避免遗忘先前已学习的类别。传统的基于反向传播的学习方法及其变体通常不适用于功耗极低、内存受限的边缘设备。在本工作中，我们提出了一种面向在线场景的少样本类增量学习方法（Online Few-Shot Class-Incremental Learning, O-FSCIL），其架构基于一个轻量级模型，包含一个预训练且通过元学习优化的特征提取器，以及一个可扩展的显式记忆模块，用于存储各类别的原型表示。该架构首先通过一种新颖的特征正交性正则化进行预训练，并采用多间隔损失（multi-margin loss）进行元学习，以增强模型对新类别的泛化能力。当学习新类别时，本方法仅通过向显式记忆模块中添加新的类别原型来实现扩展，而模型其余部分保持冻结。这一机制使得系统能够仅凭少量样本完成一次性（即在线）学习，从而高效适应未见类别。在FSCIL CIFAR100基准测试中，O-FSCIL实现了68.62%的平均准确率，达到了当前最优水平。针对超低功耗平台的特殊需求，我们已在功耗仅为60 mW的GAP9微控制器上成功部署O-FSCIL，验证了其在线学习能力——每新增一个类别仅需12 mJ能量消耗，展现出极强的能效优势，为边缘智能系统中的持续学习提供了切实可行的解决方案。