该文综述少样本类增量学习(FSCIL)进展,将方法分为传统机器学习、元学习、特征空间、重放和动态网络五类,介绍其在视觉、语言处理等领域的应用与未来方向。多项研究利用CLIP泛化能力、冗余特征消除、语义蒸馏、超维嵌入和分离学习分类器等方法,在CIFAR100、miniImageNet、CUB200等基准上显著提升性能,减少参数与训练成本,缓解灾难性遗忘和过拟合。
该文介绍了一种基于Vision-Transformer的语义蒸馏协助显著目标检测方法,通过融合从生成的图像字幕中语义蒸馏的知识,可以更好地揭示物体之间、物体与环境之间的显著性,并提高了模型性能。在五个基准数据集上的实验表明,该方法优于现有技术。
完成下面两步后,将自动完成登录并继续当前操作。