一种基于冻结特征增强的少样本连续学习方法

本发明公开了一种基于冻结特征增强的少样本连续学习方法，属于图像识别领域。少样本连续学习是以预训练模型为基础的通用人工智能模型的必备能力，尽管少量研究提出了基于数据增强的方法来缓解过拟合问题，但尚未有研究探索使用特征增强来实现同样的目标。随着预训练模型在持续学习中的广泛应用，探索如何增强预训练模型的输出特征(即冻结特征)变得至关重要。在本发明包括：1)创新提出了基于冻结特征增强的少样本连续学习方法，该方法通过对预训练模型输出的冻结特征进行增强来提高数据多样性，从而缓解了少样本连续学习中的过拟合问题。2)将本发明提出的方法同当前先进的少样本连续学习框架相结合，在经典的少样本连续学习基准上验证了本发明提出的方法的有效性。3)利用决策归因稳定性指标，验证了使用冻结特征增强在少样本连续学习训练过程中的可解释性。