PulseAugur
中
实时 01:44:15
English(EN) Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning

Mamba-FSCIL：用于少样本类别增量学习的选择性状态空间模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了Mamba-FSCIL，一种利用选择性状态空间模型（SSM）的少样本类别增量学习新方法。该方法通过采用输入依赖参数进行动态适应，解决了顺序学习中平衡静态和动态架构的挑战。Mamba-FSCIL引入了一个双选择性SSM投影仪来解耦基类和新类处理，以及一个类敏感选择性扫描机制，以在适应新类的同时最大限度地减少对现有知识的干扰。在miniImageNet和CIFAR-100等基准数据集上的实验表明，Mamba-FSCIL取得了最先进的性能。 AI

影响 引入了一种新颖的增量学习方法，可以提高AI在不忘记先前知识的情况下适应新信息的能力。

排序理由 这是一篇详细介绍少样本类别增量学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Mamba-FSCIL：用于少样本类别增量学习的选择性状态空间模型

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xiaojie Li, Yibo Yang, Jianlong Wu, Yue Yu, Ming-Hsuan Yang, Liqiang Nie, Min Zhang ·

    Mamba-FSCIL：用于少样本类增量学习的具有选择性状态空间模型的动态适应

    arXiv:2407.06136v4 Announce Type: replace Abstract: Few-shot class-incremental learning (FSCIL) aims to incrementally learn novel classes from limited examples while preserving knowledge of previously learned classes. Existing methods face a critical dilemma: static architectures…

相关实体

相关话题