新旧药片类持续可学
通过虚拟类生成与不确定性伪特征合成，在仅少量新类别样本的条件下持续扩展识别能力，并兼容已有类别。
Zhang, Jinghua · Liu, Li · 高凯 · 胡德文
IEEE Transactions on Neural Networks and Learning Systems 2024
这是首个针对药片识别的少样本类增量学习框架，无需大量标注数据即可持续增加可识别类别。
通过不确定性量化合成可靠的旧类伪特征进行数据回放和知识蒸馏，在更新模型时保持旧类性能。
伪特征合成取代了存储原始样本或旧模型的需求，可灵活生成特征并显著降低存储需求。