Generalizable FSCIL

新框架为稀缺的少样本学习策展合成数据

研究人员提出了一种用于通用少样本类增量学习（G-FSCIL）的新框架，该场景下基础数据和增量数据都非常稀缺。所提出的方法通过策展可信的合成知识来解决弱初始表示和语义漂移等挑战。它利用一个冻结的潜在扩散模型来生成合成数据，学习一种选择语义一致且视觉多样化样本的策略，并采用边界稳定的增量适应方案来减轻新旧类别之间的冲突。实验表明，这种方法优于现有的FSCIL方法，改善了新旧类别之间的平衡。