细粒度小样本学习框架

利用CLIP图像编码器的泛化能力，通过基于余弦相似度的蒸馏和对比学习，缓解细粒度少样本类增量学习中的灾难性遗忘。

尹伊敏 · Haoling, Liu · Sihang, Xu · 77273889 · Zhang, Jinghua

International Journal of Multimedia Information Retrieval 2026

技术优势

细粒度识别准确率显著提升

该方法在细粒度数据集上达到最先进性能，远超现有方法。

新类仅需少量样本

模型在增量学习阶段只需极少量样本即可适应新类，大幅降低数据标注成本。

无缝迁移到 CLIP 编码器

通过基于余弦相似度的蒸馏充分利用 CLIP 编码器的泛化能力，无需从零训练。

应用场景

• 细粒度图像识别：识别鸟类、犬种、车型等外观相似的类别，无需海量标注。
• 少样本学习：新类别只有几个样本时快速适应，降低数据收集门槛。
• 视觉模型持续学习：动态环境中持续学习新类而不过度遗忘旧知识。