Jun, 2021

当视频分类遇见增量类

PDF
TL;DR本文提出了一种新框架来解决 Class-Incremental 视频分类（CIVC）任务，它可以不断更新新类别，同时保持旧视频的知识，并利用视频的一些特性来更好地减轻遗忘的挑战。 在 Something-Something V2 和 Kinetics 数据集上进行评估，结果显示本文的方法显着优于之前的最先进的类别增量学习方法。
social mediavideo classificationincremental learningcatastrophic forgettingtrajectory
发现论文，激发创造
  • 视频中动作识别的类递增学习

    利用时间通道重要性映射和知识蒸馏的方法，解决了视频识别增量学习中的遗忘问题，并证明了该算法相比于针对图像数据的现有增量学习方法更为有效。

    Mar, 2022

  • MCF-VC: 缓解多模态视频描述中的类递增学习中的灾难性遗忘

    解决视频字幕生成中的灾难性遗忘问题，通过细粒度敏感度选择和两阶段知识蒸馏方法，有效保持模型在新老任务上的性能。

    Feb, 2024

  • 音视类增量学习

    通过引入双通道音频 - 视觉相似性约束（D-AVSC）和视觉注意聚焦（VAD）的音频 - 视觉类增量学习方法（AV-CIL），维持音频 - 视觉模态之间的实例感知和类感知语义相似性，保留先前学习的音频指导训练能力，从而克服了当前方法在不断增加的类增量步骤中保持语义相似性的挑战，实验证明 AV-CIL 在音频 - 视觉类增量学习中显著优于现有的类增量学习方法。

    Aug, 2023

  • 只是一瞥：重新思考视频连续学习的时间信息

    在视频持续学习中，我们提出了一种名为 SMILE 的新型重播机制，通过个体 / 单帧对有效视频持续学习进行了改进，并在 Kinetics、UCF101 和 ActivityNet 数据集上实现了最先进的性能，优于之前的最新技术达 21.49%。

    May, 2023

  • 基于知识融合的有限数据类别增量在线学习

    提出一种新的方法帮助在有限数据情况下进行类别增量的在线学习。该方法使用元学习框架和知识整合来解决灾难性遗忘和过拟合等问题。该方法在多个基准测试中显著优于其他方法。

    Jun, 2021

  • 在线情境下的增量学习

    该论文提出了一种增量学习框架，针对在线学习场景下的两个主要障碍，即新类的学习和旧类的新观测值的变化。通过引入修改的交叉蒸馏损失和两步学习技术来解决问题（1），并提供通过更新范例集合减轻问题（2）的简单而有效的方法，并在基于 Food-101 数据集的在线食品图像分类的真实应用中展示了该方法的性能。

    Mar, 2020

  • vCLIMB: 一种新颖的视频类别增量学习基准

    本文提出 vCLIMB 连续学习基准测试，旨在探究在视频领域中，利用深度模型进行随时间增量式学习时出现的挑战，作者提出了一种能应用于基于记忆的连续学习模型的时间一致性正则化方法，能显著提高模型在未修剪连续学习任务中的性能，最高可提高 24％。

    Jan, 2022

  • 多视角类别增量学习

    本文研究了一种新的范例，称为多视类增量学习（MVCIL），旨在将单个模型应用于连续的视图流中，以增量分类新类，而无需访问早期的数据视图，其中引入了一种随机化表示学习技术进行特征提取，集成后引入选择性权重巩固，实验证明了本方法的有效性。

    Jun, 2023

  • 利用旧知识持续学习医学图像中的新类别

    本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

    Mar, 2023

  • SIAVC：工业事故视频分类的半监督框架

    提出了一种新的半监督学习方法 SIAVC，用于工业事故视频分类，通过视频增强和伪标签样本生成来改善半监督学习中标记和未标记训练数据的不平衡问题，并在构建的 ECA9 数据集上取得优异的视频分类性能。

    May, 2024