Few-Shot Class-Incremental Learning

Die Fähigkeit, neue Klassen inkrementell zu lernen, ist entscheidend für die Entwicklung realwelttauglicher künstlicher Intelligenzsysteme. In diesem Paper konzentrieren wir uns auf ein herausforderndes, aber praktikables Problem des Few-Shot Class-Incremental Learning (FSCIL). FSCIL erfordert, dass CNN-Modelle neue Klassen aus sehr wenigen gelabelten Beispielen inkrementell erlernen, ohne die bereits gelernten Klassen zu vergessen. Um dieses Problem anzugehen, stellen wir das Wissen mittels eines Neural-Gas-(NG)-Netzwerks dar, das die Topologie des durch verschiedene Klassen gebildeten Merkmalsmannigfaltigkeitsraums lernen und erhalten kann. Auf dieser Grundlage schlagen wir den TOpology-Preserving knowledge InCrementer (TOPIC)-Rahmen vor. TOPIC reduziert das Vergessen alter Klassen durch Stabilisierung der NG-Topologie und verbessert die Repräsentationslernung für Few-Shot-Neuklassen durch Erweiterung und Anpassung des NG an neue Trainingsbeispiele. Umfassende experimentelle Ergebnisse zeigen, dass unsere vorgeschlagene Methode andere state-of-the-art-Methoden des Class-Incremental Learning auf den Datensätzen CIFAR100, miniImageNet und CUB200 erheblich übertrifft.