摘要

在不断变化的世界中，新类别频繁涌现，例如社交媒体中的新兴话题或电子商务中的新型产品。模型需要能够识别新类别，同时保持对旧类别的区分能力。在极端情况下，仅能获得少量新类别的实例，用于逐步更新模型。在不遗忘旧类别前提下识别少量样本新类别的任务，被称为少样本类增量学习（Few-Shot Class-Incremental Learning, FSCIL）。本文提出一种基于元学习的新型FSCIL范式——通过学习多阶段增量任务（LearnIng Multi-phase Incremental Tasks, LIMIT），该方法从基础数据集中合成虚假的FSCIL任务。这些虚假任务的数据格式与真实的增量任务保持一致，从而可通过元学习构建一个对未见任务具有泛化能力的特征空间。此外，LIMIT还设计了一种基于Transformer的校准模块，用于将旧类别分类器与新类别原型统一到同一尺度，弥合语义鸿沟；该模块还通过集合到集合（set-to-set）函数，自适应地对实例级嵌入进行上下文建模。实验结果表明，LIMIT在三个基准数据集（CIFAR100、miniImageNet、CUB200）以及大规模数据集ImageNet ILSVRC2012上均取得了当前最优的性能，展现出优异的新类别适应能力与对旧类别的抗遗忘特性。