稀疏重建算法

基于伪特征生成的可分离柔性分类，通过动态分类器权重与梯度反向传播，在少样本类增量场景下同时缓解灾难性遗忘与过拟合。

Yuancheng, Yang · Luyang, Jin · Shuai, Zhang · 童超

2025

技术优势

无需重访旧样本

通过为已学类直接合成伪特征，避免了对旧类样本的存储和重访，从而克服灾难性遗忘。

缓解新类过拟合

为新类生成特征，在原始特征稀缺的情况下增加训练数据多样性，从而降低过拟合风险。

权重可随会话变化

利用伪特征形成每个类的可变形权重，允许同一类在不同会话中采用不同的最优权重，提高分类灵活性。

优于现有方法

在 mini-ImageNet、CUB-200 和 CIFAR-100 等基准数据集上，该方法在相同实验条件下优于最先进方法，证明了其有效性。

应用场景

• 机器人自适应学习：使机器人无需存储大量旧样本，即可在线学习新物体类别，适应开放环境。
• 机器人视觉识别：提供可变形分类权重，让机器人视觉系统在新类别出现时高效更新识别模型。
• 工业质检模型更新：在缺少新缺陷样本的情况下，通过伪特征扩充数据，帮助质检模型快速适应新产品。
• 脑机接口解码：支持脑机接口解码模型随着新神经模式出现而持续更新，无需重训全部数据。