Sep, 2023

基于信息子集选择的高效课程化连续学习方法在遥感场景分类中的应用

PDF
TL;DR我们在这篇论文中解决了光学遥感图像的土地覆盖分类领域中的逐类增量学习（CIL）问题。我们提出了一个新颖的 CIL 框架，通过受到重播存储器方法的启发并解决了其中的两个缺点。实验证明，我们的方法在 CIL 性能上表现出明显的改进。
class incremental learninglandcover classificationoptical remote sensingcil frameworkreplay-memory
发现论文，激发创造
  • 遥感图像场景分类的非监督少样本持续学习

    提出基于原型散射和正样本采样的无监督小样本远程感知图像场景分类的 Unisa 方法，该方法通过扁平广泛学习方法和球发生器解决了遗忘问题和数据稀缺问题，并在远程感知图像场景数据集和高光谱数据集上进行了数值实验，证实了我们方法的优势。

    Jun, 2024

  • InfRS：遥感图像中的增量式少样本目标检测

    该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

    May, 2024

  • 参数高效的增量式学习的互补学习子网络

    本文提出了一种新的无需回放的类增量学习方法，该方法通过学习两个互补学习子网络之间的协同作用，包括联合优化可塑性 CNN 特征提取器和解析前馈分类器来实现。该方法在训练期间不需要存储过去的数据，可以掌握新的课程，同时保持对以前学习过的课程的识别和知识保留。

    Jun, 2023

  • CBCL-PR：一种在机器人领域实现逐类增量学习的认知启发模型

    通过受海马体和新皮质概念学习理论启发，我们提出了一种新颖的框架来解决小样本类递增学习的问题，在两个对象分类数据集上评估了框架的性能，结果显示其具有类递增学习和小样本类递增学习的最新技术水平，并通过在机器人上演示表明我们的框架在有限的人类辅助下能够持续学习对大量家居物品进行分类。

    Jul, 2023

  • 面向非样本半监督类增量学习

    创新性地提出了一种非示例的半监督类增量学习框架，通过对比学习和半监督的增量原型分类器，使模型能够逐步从部分标记的新数据中学习，同时保持旧类别的知识。

    Mar, 2024

  • 在线持续学习在图像分类中的实证研究

    该研究论述了在线持续学习图像分类问题，其中的任务可能包括新类别或数据非稳态。因为不同的实验设置以及不同的任务类别可能需要不同的方法，作者系统地比较了现有的 MIR，iCARL 和 GDumb 等方法，并评估了七个方法，以了解简单而有效的技巧对性能的影响，最终得出了 MIR 是一种强大而通用的在线持续学习方法。

    Jan, 2021

  • 持续学习的可学习性和算法

    本文研究了挑战性的连续学习（CL）设置下的类增量学习（CIL），证明了 CIL 是可学的，并基于理论提出了一种新的 CIL 算法，并通过实验结果证明了其有效性。

    Jun, 2023

  • 无范例的类渐进学习初始训练策略分析

    类渐进学习是从数据流中构建分类模型的目标。本文通过统计分析框架量化各个因素对增量性能的相对贡献，发现初始训练策略是影响平均增量准确性的主要因素，而 CIL 算法的选择对防止遗忘更为重要。基于此分析，我们提出了选择相应初始训练策略的实际建议，以促进增量学习的实际应用部署。

    Aug, 2023

  • 图像分类的内存高效类增量学习

    本研究针对类增量学习时可能出现的 “灾难性遗忘” 问题，提出了一种记忆资源高效利用的样本保存方案，并结合一种主副样本协作学习方案，以缓解样本来源、质量不同带来的问题。实验结果表明该方案在类增量学习中具有较好的性能表现。

    Aug, 2020

  • 基于自监督范式的有限标记样本遥感图像场景分类

    通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

    Oct, 2020