探索基础类别混淆：针对少样本学习的冗余探索
内容提要
在少样本增量学习（FSCIL）中，现有方法常将新类别样本误分类为基类别，影响新类别性能。为此，提出了一种校准策略TEEN，通过融合新类别与加权基类别原型，提升可区分性。该方法在多个基准测试中表现优异，显著减轻模型偏差问题，并在多个数据集上取得领先性能。
延伸解读
基类别混淆：FSCIL 的关键挑战
在少样本增量学习（FSCIL）中，模型往往将新类别的样本错误地分类为基类别，导致新类别性能下降。这种基类别混淆现象源于模型在基类别上过度拟合，而新类别样本稀少，难以形成清晰的决策边界。TEEN 通过融合新类别原型与加权基类别原型，校准分类器，从而提升新类别的可区分性，为缓解该问题提供了简单有效的思路。
TEEN 的校准策略：训练无关的融合
TEEN 是一种训练无关的校准策略，它不改变原有训练流程，而是在推理阶段将新类别原型与加权基类别原型融合。这种融合增强了新类别的表示，使其在特征空间中更易与基类别区分。由于无需额外训练，TEEN 易于集成到现有 FSCIL 方法中，且计算开销小，为实际部署提供了便利。
性能表现与模型偏差缓解
在多个 FSCIL 标准基准测试中，TEEN 表现出色，显著减轻了模型偏差问题，并取得了领先性能。这表明校准策略能有效平衡新旧类别的分类能力，避免模型过度偏向基类别。实验结果支持 TEEN 在少样本场景下的持续改进，为后续研究提供了可借鉴的方向。
Q&A
什么是少样本增量学习（FSCIL）？
少样本增量学习（FSCIL）是一种学习方法，旨在在仅有少量样本的情况下，逐步学习新类别，同时保持对已有类别的性能。
TEEN校准策略是如何提升新类别可区分性的？
TEEN校准策略通过将新类别的原型与加权基类别的原型相融合，增强了新类别的可区分性。
TEEN在基准测试中的表现如何？
TEEN在多个基准测试中表现优异，显著减轻了模型偏差问题，并在多个数据集上取得领先性能。
现有方法在FSCIL中存在哪些问题？
现有方法常将新类别样本误分类为基类别，导致新类别性能下降。
TEEN方法的创新点是什么？
TEEN方法的创新点在于其训练无关的校准策略，通过融合新类别与基类别原型来提升可区分性。
TEEN方法在解决模型偏差问题上有什么效果？
TEEN方法显著减轻了模型偏差问题，提高了新类别的识别性能。
