University of Stirling@milan米兰体育 GMM-IL：针对小样本量使用增量学习的独立概率模型进行图像分类

引用

Johnston P、Nogueira K 和 Swingler K (2023) GMM-IL：针对小样本量使用增量学习的独立概率模型进行图像分类。IEEE 访问，11，第 25492-25501 页。 https://doi.org/10.1109/access.2023.3255795

摘要
当深度学习分类器尝试通过监督学习来学习新类别时，它们会表现出灾难性的遗忘问题。在本文中，我们提出了高斯混合模型 - 增量学习器（GMM-IL），这是一种新颖的两阶段架构，它将无监督视觉特征学习与有监督概率模型结合起来来表示每个类别。 GMM-IL 的关键新颖之处在于每个类别的学习都是独立于其他类别的。可以使用一小组带注释的图像逐步学习新类别，而无需重新学习现有类别的数据。这使得可以将类增量添加到模型中，可以通过视觉特征进行索引并根据感知进行推理。使用高斯混合模型来表示独立类别，我们优于具有 Softmax 头的等效网络的基准，获得了小于 12 的样本大小的更高的准确性，并为该样本范围内的 3 个不平衡类别配置文件获得了更高的加权 F1 分数。这种新颖的方法使得新类能够添加到系统中，而只需访问新类的一些带注释的图像。

关键字
任务分析；可视化；图像分类；概率逻辑；神经网络；统计数据;高斯混合模型

期刊
IEEE 访问：第 11 卷

• 已发布版本