Few-Shot Class-Incremental Learning 的实用技巧集

我们提出了一种面向少样本类增量学习（Few-Shot Class-Incremental Learning, FSCIL）的“技巧集合”框架。FSCIL是一种极具挑战性的持续学习范式，要求模型在仅有少量样本的情况下持续适应新任务。该任务不仅需要模型保持对先前学习类别的性能（稳定性），还需具备有效学习新类别的能力（适应性）。我们所提出的技巧集合框架整合了六种关键且极具影响力的先进技术，在统一框架下协同提升FSCIL任务中的稳定性、适应性与整体性能。这些技巧被系统地划分为三大类：稳定性技巧、适应性技巧和训练技巧。稳定性技巧旨在通过增强已学习类别嵌入之间的可分性，并减少学习新类别时的干扰，从而缓解对旧类别的遗忘问题；适应性技巧则聚焦于高效学习新类别，提升模型对新任务的快速泛化能力；训练技巧则在不损害稳定性与适应性的前提下，进一步优化整体性能。我们在三个主流基准数据集——CIFAR-100、CUB-200与miniImageNet上进行了大量实验，全面评估所提框架的有效性。详细分析表明，该方法显著提升了模型在稳定性与适应性方面的表现，在各项指标上均优于现有方法，建立了新的最先进水平（state-of-the-art）。我们相信，本方法为FSCIL任务提供了一个可靠的基准解决方案，可作为未来相关研究的坚实基础。