少样本在线学习
利用神经气体网络动态建模正常特征分布，在无标签数据流中实现异常检测与分割，并通过增量更新避免存储旧样本。
Shenxing, Wei · 魏行 · Ma, Zhiheng · Dong, Songlin · Shaochen, Zhang · 龚怡宏
Knowledge-Based Systems 2024
通过增量更新参数，模型在适应新数据时不需要保存历史样本，节省存储空间并支持持续学习。
神经气体网络的拓扑结构可灵活调整，能够识别并过滤数据流中的异常样本，防止其污染模型。
利用ImageNet预训练CNN提取的多尺度特征嵌入，在少量正常样本上也能获得鲁棒表示，支持少样本在线学习。
在MVTec AD和BTAD数据集上的实验表明，该方法在保持性能的同时，时间复杂度在可接受范围内。