Buchumschlag

Divide and Conquer: Static-Dynamic Collaboration for Few-Shot Class-Incremental Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bao, Kexin, Zhang, Daichi, Li, Yong, Zeng, Dan, Ge, Shiming
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CD^2: Constrained Dataset Distillation for Few-Shot Class-Incremental Learning
von: Bao, Kexin, et al.
Veröffentlicht: (2026)

Few-shot Class-Incremental Learning via Generative Co-Memory Regularization
von: Bao, Kexin, et al.
Veröffentlicht: (2026)

PKI: Prior Knowledge-Infused Neural Network for Few-Shot Class-Incremental Learning
von: Baoa, Kexin, et al.
Veröffentlicht: (2026)

Compositional Few-Shot Class-Incremental Learning
von: Zou, Yixiong, et al.
Veröffentlicht: (2024)

Can Synthetic Images Conquer Forgetting? Beyond Unexplored Doubts in Few-Shot Class-Incremental Learning
von: Kim, Junsu, et al.
Veröffentlicht: (2025)

Multimodal Parameter-Efficient Few-Shot Class Incremental Learning
von: D'Alessandro, Marco, et al.
Veröffentlicht: (2023)

Knowledge Adaptation Network for Few-Shot Class-Incremental Learning
von: Wang, Ye, et al.
Veröffentlicht: (2024)

Learn by Reasoning: Analogical Weight Generation for Few-Shot Class-Incremental Learning
von: Han, Jizhou, et al.
Veröffentlicht: (2025)

CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning
von: Oh, Junghun, et al.
Veröffentlicht: (2024)

Delve into Base-Novel Confusion: Redundancy Exploration for Few-Shot Class-Incremental Learning
von: Zhou, Haichen, et al.
Veröffentlicht: (2024)

Hyperbolic Coarse-to-Fine Few-Shot Class-Incremental Learning
von: Dai, Jiaxin, et al.
Veröffentlicht: (2025)

Controllable Forgetting Mechanism for Few-Shot Class-Incremental Learning
von: Paramonov, Kirill, et al.
Veröffentlicht: (2025)

MoTiC: Momentum Tightness and Contrast for Few-Shot Class-Incremental Learning
von: He, Zeyu, et al.
Veröffentlicht: (2025)

SPRINT: Semi-supervised Prototypical Representation for Few-Shot Class-Incremental Tabular Learning
von: Suleymanov, Umid, et al.
Veröffentlicht: (2026)

Leveraging Hierarchical Image-Text Misalignment for Universal Fake Image Detection
von: Zhang, Daichi, et al.
Veröffentlicht: (2025)

Beyond Synthetic Replays: Turning Diffusion Features into Few-Shot Class-Incremental Learning Knowledge
von: Kim, Junsu, et al.
Veröffentlicht: (2025)

Few-Shot Class Incremental Learning with Attention-Aware Self-Adaptive Prompt
von: Liu, Chenxi, et al.
Veröffentlicht: (2024)

Enhancing Frequency Forgery Clues for Diffusion-Generated Image Detection
von: Zhang, Daichi, et al.
Veröffentlicht: (2025)

DSS-Prompt: Dynamic-Static Synergistic Prompting for Few-Shot Class-Incremental Learning
von: He, Linpu, et al.
Veröffentlicht: (2025)

Interpret the Predictions of Deep Networks via Re-Label Distillation
von: Hua, Yingying, et al.
Veröffentlicht: (2024)

Covariance-based Space Regularization for Few-shot Class Incremental Learning
von: Hu, Yijie, et al.
Veröffentlicht: (2024)

Look Through Masks: Towards Masked Face Recognition with De-Occlusion Distillation
von: Li, Chenyu, et al.
Veröffentlicht: (2024)

Visual Para-Thinker: Divide-and-Conquer Reasoning for Visual Comprehension
von: Xu, Haoran, et al.
Veröffentlicht: (2026)

Divide and Conquer: Rethinking the Training Paradigm of Neural Radiance Fields
von: Ma, Rongkai, et al.
Veröffentlicht: (2024)

Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification
von: Pei, Gaozheng, et al.
Veröffentlicht: (2025)

Masked Face Recognition with Generative-to-Discriminative Representations
von: Ge, Shiming, et al.
Veröffentlicht: (2024)

Divide-and-Conquer Decoupled Network for Cross-Domain Few-Shot Segmentation
von: Cong, Runmin, et al.
Veröffentlicht: (2025)

Brain Inspired Adaptive Memory Dual-Net for Few-Shot Image Classification
von: Di, Kexin, et al.
Veröffentlicht: (2025)

Latest Advancements Towards Catastrophic Forgetting under Data Scarcity: A Comprehensive Survey on Few-Shot Class Incremental Learning
von: Ma'sum, M. Anwar, et al.
Veröffentlicht: (2025)

Versatile Incremental Learning: Towards Class and Domain-Agnostic Incremental Learning
von: Park, Min-Yeong, et al.
Veröffentlicht: (2024)

Feature-Space Generative Models for One-Shot Class-Incremental Learning
von: Foster, Jack, et al.
Veröffentlicht: (2026)

Divide-and-Conquer Inference for Large-Scale Visual Recognition with Multimodal Large Language Models
von: Ye, Zhipeng, et al.
Veröffentlicht: (2026)

Divide and Conquer: Object Co-occurrence Helps Mitigate Simplicity Bias in OOD Detection
von: Dai, Boyang, et al.
Veröffentlicht: (2026)

Federated Class-Incremental Learning with Prompting
von: Luo, Xin, et al.
Veröffentlicht: (2023)

FSL-Rectifier: Rectify Outliers in Few-Shot Learning via Test-Time Augmentation
von: Bai, Yunwei, et al.
Veröffentlicht: (2024)

Low-Resolution Object Recognition with Cross-Resolution Relational Contrastive Distillation
von: Zhang, Kangkai, et al.
Veröffentlicht: (2024)

L3A: Label-Augmented Analytic Adaptation for Multi-Label Class Incremental Learning
von: Zhang, Xiang, et al.
Veröffentlicht: (2025)

Bias Mitigating Few-Shot Class-Incremental Learning
von: Zhao, Li-Jun, et al.
Veröffentlicht: (2024)

Divide and Conquer Self-Supervised Learning for High-Content Imaging
von: Farndale, Lucas, et al.
Veröffentlicht: (2025)

Dynamic Integration of Task-Specific Adapters for Class Incremental Learning
von: Li, Jiashuo, et al.
Veröffentlicht: (2024)