NTK 引导下的少样本类别增量学习
原文中文，约300字，阅读约需1分钟。发表于：。通过对 FSCIL 中神经切向核（NTK）的基本理论研究，我们设计出一种元学习机制，用数学原理来指导扩展网络内的优化过程，确保全局最优的 NTK 收敛和与 NTK 相关的泛化误差，从而提高网络的基础泛化能力。通过自我监督的预训练、课程对齐和对卷积层和线性层定制的双重 NTK 正则化等方法的综合效果，我们的网络在主流的 FSCIL 基准数据集上优于目前最先进的方法，将最终准确率提升了 2.9% 至 8.7%。
通过研究神经切向核（NTK），设计了一种元学习机制，提高了网络的基础泛化能力。综合多种方法，网络在FSCIL基准数据集上的准确率提升了2.9%至8.7%。
