基于鲁棒性少参数微调的小样本类增量学习方法

在图像识别领域，深度学习模型的小样本类增量式学习是一个具有挑战性的技术难题，其在预训练模型基础上进行参数迭代更新，从而使得模型能够仅利用有限数量的有标注样本不断学习新类别的知识，同时保留原有类别知识。极其有限的样本下进行参数更新会导致模型出现偏差，同时大量参数更新会使得模型遗忘已有知识，为了应对上述问题，在最近邻类别均值分类法的基础上，本发明提出了一种基于鲁棒性少参数微调的小样本类增量学习方法，本发明所提出方法能够实现关键参数的高效微调，通过控制参数调整的数量和幅度产生灵活决策区域，从而避免上述问题。