通过引入包含三个学习场景和八个评估指标的综合连续场景图生成(CSEGG)数据集,研究深入探索现有的 SGG 方法在学习新对象时对先前对象实体和关系的保留情况,以及连续目标检测如何增强对未知对象上已知关系的泛化性能。
Oct, 2023
本文研究了生成模型中的终身学习问题,提出了一种使用知识蒸馏的解决方案,可以在保持之前任务能力不变的同时完成新的任务,该方法适用于不同的有条件图像生成设置。
Jul, 2019
本文比较评估了不同生成模型在连续学习时的适用性,主要研究了不同策略下生成模型的记忆及生成质量表现,结论为原始 GAN 模型表现最优,而 generative replay 策略最优。
Dec, 2018
文章提出了一种基于 VAE 模块的连续零样本学习模型 (A-CZSL),用于解决人工神经网络与人类区别在于传统模型很难取得不同阶段任务良好的表现,模型大小在任务逐步增加的同时增长以防遗忘,并展示其在零样本学习和广义零样本学习上的优越性能。
Feb, 2021
通过利用生成建模,我们提出了一个学习算法,在没有给定未知信息的情况下持续进行零样本学习,并在 AWA1、AWA2、CUB 和 SUN 数据集上实现了超出现有连续零样本学习方法的 3-7% 的最新性能。
Aug, 2023
这篇论文提出了一种针对无监督在线普通持续学习的对比学习增强内存使用的新方法,通过定义和使用流依赖的数据增强及实现技巧,提升了持续学习中的遗忘问题,实现了与有监督方法相媲美的最新结果,为持续学习提供了有希望的策略。
Sep, 2023
该研究的目的是通过将生成模型的虚拟数据迭代地逼近真实世界的数据分布,提高计算机视觉系统训练的泛化性能,该方法通过对生成图形模型的参数先验分布进行后验密度估计,结合生成对抗训练,提高了交通场景语义标注任务的性能。
Jan, 2017
通过新型神经网络 Urban-StyleGAN,使用分组策略和无监督潜在空间探索算法,实现了更好的城市场景生成和内容控制。
May, 2023
本文提出了一种基于累计的闭环记忆重放生成对抗网络的方案,并引入了外部正则化进行最大样本多样性的小型内存单元。实验结果表明,在使用动态内存单元的条件下,该方案在处理硬任务学习方面具有很高的性能增长。
Nov, 2018
本研究提出了带自适应组合模块的连续序列生成方法,以在具有相似任务的情况下保证知识共享,并通过伪经验重播促进共享模块之间的知识转移,实验结果表明,相对于基线方法,该方法在性能和参数效率上表现更好。
Mar, 2022