1. 小样本增量学习FSCIL的核心挑战小样本增量学习Few-Shot Class-Incremental Learning, FSCIL是机器学习领域一个极具挑战性的研究方向。简单来说它要求模型在已经学习过大量基础类别后能够通过极少量样本通常每类只有1-5个示例来持续学习新类别同时不遗忘之前学到的知识。这就像要求一个学生在上完基础课程后仅凭几页笔记就能掌握全新科目而且不能忘记之前学过的所有内容。在实际应用中FSCIL面临几个关键难题。首先是灾难性遗忘问题这是增量学习的通病——当模型学习新知识时会不可逆地覆盖或破坏原有的知识表征。其次是样本极度稀缺带来的过拟合风险新类别仅有几个样本模型很容易记住这些特定样本而非学习到泛化特征。最后是特征空间漂移随着新类别的不断加入整个特征空间的拓扑结构会发生难以预测的变化导致早期类别的分类性能下降。2020年CVPR会议上西安交通大学团队提出的FSCIL框架首次系统性地解决了这些问题。他们创新性地将神经气体网络Neural Gas Network引入增量学习场景通过拓扑结构保持和特殊的损失函数设计在多个基准测试上取得了突破性进展。这个工作为后续研究奠定了重要基础也开启了基于图结构的FSCIL方法研究热潮。2. 拓扑结构方法的突破CVPR2020 FSCIL详解2.1 Neural Gas网络的创新应用CVPR2020这篇论文的核心创新在于将神经气体网络NG网络这一经典拓扑结构引入增量学习场景。NG网络最早由Martinetz在1991年提出是一种能够自适应数据分布的自组织神经网络。它的独特之处在于能够动态维护数据点之间的拓扑关系——在特征空间中相近的样本在NG网络中也保持连接。具体实现上NG网络由一组节点构成每个节点都对应特征空间中的一个质心位置。当输入一个新样本的特征表示时网络会找到最近的几个节点调整它们的位置使其更接近输入特征同时更新这些节点之间的连接关系。随着时间的推移连接较弱的边会被淘汰形成反映数据真实拓扑的连接结构。作者将这个机制用于FSCIL任务时做了关键改进将NG网络作为特征空间的关系建模器与CNN特征提取器协同训练。这样当新类别样本到来时NG网络可以智能地调整拓扑结构既容纳新知识又最大程度保留原有类别的空间关系。这种设计巧妙地规避了传统方法需要存储大量旧样本或固定特征空间的限制。2.2 双损失函数的设计哲学为了应对FSCIL的特殊挑战论文提出了两个关键损失函数Anchor Loss (AL)专门针对灾难性遗忘问题。它的核心思想是约束新模型的特征空间与原模型保持结构一致性。具体来说AL会惩罚那些导致旧类别特征表示发生剧烈变化的参数更新。这就像给模型加了一个记忆锚点确保它在学习新知识时不会偏离太远。实验显示没有AL时新增类别会导致旧类别在特征空间中的位置发生显著偏移平均距离变化约40%而加入AL后这个数字可以控制在15%以内。更重要的是这种稳定性不是通过牺牲新类别性能实现的——在CIFAR100数据集上AL使旧类别准确率提升12%的同时新类别识别率也提高了5%。Min-Max Loss (MML)则专注于解决小样本条件下的特征判别性问题。它的设计非常直观最大化不同类别样本之间的距离同时最小化同类样本的间距。这在样本稀少时尤为重要因为随机初始化的特征提取器很容易产生混淆的特征表示。MML的一个巧妙之处在于它与NG网络的协同工作方式。当一个新样本被错误地放置在拓扑结构的错误邻居中时MML会施加更强的梯度信号推动它向同类节点靠拢。这种动态调整机制使得模型即使用很少样本也能学习到具有判别性的特征。3. 图注意力网络的演进CVPR2021 CEC方法3.1 从静态拓扑到动态图注意力CVPR2021年南洋理工大学团队提出的CECContinually Evolved Classifiers方法标志着FSCIL技术的又一次飞跃。与CVPR2020的静态拓扑结构不同CEC引入了图注意力网络GAT使模型能够动态调整不同节点之间的关联强度。GAT的核心创新是注意力机制——它不再像NG网络那样简单地用二进制连接/不连接表示节点关系而是为每对节点分配一个可学习的注意力权重。这个权重决定了信息在网络中传播时的重要性程度。在实际应用中这意味着模型可以更精细地控制新旧知识之间的交互方式。举个例子在处理相似的新旧类别时比如家猫和野猫GAT会自动加强它们之间的连接而对于差异较大的类别如猫和卡车则会弱化连接。这种自适应能力显著提升了模型处理复杂类别关系的能力在iNaturalist等细粒度分类数据集上表现出色。3.2 持续进化分类器设计CEC方法的另一个突破是提出了持续进化分类器的概念。传统方法通常固定分类器结构或者简单地扩展输出层而CEC将分类器本身设计为一个可进化的图结构。每个新类别对应的节点可以智能地插入到图网络的适当位置并与现有节点建立最优连接。这种设计的优势在长周期增量学习中尤为明显。在标准的10阶段增量学习测试中每阶段新增10个类别CEC的最终准确率比CVPR2020方法高出18.7%。更令人印象深刻的是它的计算开销仅随类别数量线性增长而非传统方法的指数级增长这使得它更适合实际部署。技术实现上CEC采用了两阶段训练策略首先用基础类别训练一个强健的特征提取器然后冻结特征提取器参数仅通过图注意力机制来适应新增类别。这种设计既保证了基础特征的稳定性又为增量学习提供了足够的灵活性。4. 技术演进的关键对比与选型建议4.1 方法性能的量化对比下表展示了两种核心方法在标准基准测试上的表现对比指标CVPR2020 FSCIL (NG)CVPR2021 CEC (GAT)改进幅度CIFAR100 (最后阶段)58.3%64.1%5.8%miniImageNet52.7%61.2%8.5%计算复杂度O(n)O(n)-内存占用较低中等-训练稳定性优秀良好-从数据可以看出GAT-based方法在准确率上普遍领先特别是在更复杂的数据集上优势明显。但NG网络在训练稳定性和内存效率方面仍有优势这对资源受限的应用场景可能更为关键。4.2 实际应用的选择策略根据我们的实践经验方法选择应该考虑以下几个关键因素数据特性如果新增类别与基础类别差异较大如从日常物品扩展到专业设备GAT的动态注意力机制通常表现更好而类别间关系相对稳定时NG网络的简洁性可能更可取。资源约束在边缘设备等计算资源有限的环境中NG网络是更安全的选择。我们曾在一个智能相机项目中发现移植GAT模型需要额外的GPU加速而NG网络可以在纯CPU环境下流畅运行。增量频率高频次的小批量增量如每天新增几个类别更适合NG网络因为它的训练过程更稳定而低频次的大批量增量则可以从GAT的表示能力中获益更多。一个实用的折中方案是采用混合架构——在基础训练阶段使用NG网络建立稳定的特征空间然后在特定增量阶段引入GAT模块进行精细调整。这种策略在医疗影像分析等专业领域取得了不错的效果。
