Sep, 2023

领域感知增强对无监督在线通用连续学习的应用

PDF
TL;DR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。
发现论文，激发创造
  • 无监督连续领域漂移学习中的互补域适应和泛化

    本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法 CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。

    Mar, 2023

  • 基于聚类的领域增量学习

    通过使用基于在线聚类的方法解决连续学习中的灾难性遗忘问题，成功地应用于域增量学习，并展示了这种方法在真实数据集上的有效性及与最先进方法的优越性能。

    Sep, 2023

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • 跨领域连续学习

    本研究提出了一种名为交叉领域连续学习（CDCL）的新方法，在一个紧凑的卷积网络中结合了跨任务关注机制，实现了对先前任务特征的对齐，并在相关领域之间进行了无监督的交叉领域学习（UDA）。通过使用一种任务内特定的伪标签方法，确保了有标签和无标签样本的准确输入对，从而增强了学习过程。本方法在公开的 UDA 数据集上进行了广泛实验，显示出在交叉领域连续学习挑战上的良好性能。此外，本研究提出了增量思想，为该领域的进展做出了贡献。

    Feb, 2024

  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 克服在线连续学习中的领域漂移

    本文提出了一种名为 Drift-Reducing Rehearsal (DRR) 的新型排练策略，以减轻连续领域漂移并在在线持续学习中实现最先进的性能。

    May, 2024

  • 使用稳定表示和经验重演的连续无监督领域自适应

    我们提出了一种算法来解决持续学习（CL）场景中的无监督域适应（UDA）问题，主要目标是在连续到达新领域时通过更新基本模型来维持模型概括性，而后续任务中只能访问未标记的数据。我们的解决方案是通过稳定学习的内部分布来提高模型在新领域上的概括性，内部分布使用高斯混合模型（GMM）进行建模，并将新领域的内部学习分布与估计的 GMM 进行匹配来更新模型，同时利用经验重播来克服灾难性遗忘问题，并提供理论分析来解释我们算法的有效性，通过广泛的比较和分析实验证明我们的方法是有效的，我们在四个基准数据集上进行实验以证明我们的方法的有效性。

    Jan, 2024

  • 基于生成式外观回放的持续无监督领域自适应

    本文提出了一种基于生成式回放的无监督分割方法 GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。

    Jan, 2023

  • 无监督连续学习的表征连续性

    该研究提出了一种基于无监督学习方法的连续学习技术，可以在不需要人工标注的数据的情况下设法学习连续任务的特征表示，并通过使用 LUMP 技术来缓解灾难性遗忘问题。

    Oct, 2021

  • 无存储约束的在线持续学习

    本文提出了一种用于在线连续学习问题的简单算法，该算法采用 kNN 分类器和通用预先训练的特征提取器，可以在小的计算预算下紧凑存储和利用整个数据流，既能减少过往数据的灾难性遗忘，同时也能快速适应快速变化的数据流，同时在 Continual LOCalization (CLOC) 和 Continual Google Landmarks V2 (CGLM) 两个大规模 OCL 数据集上取得了最新的技术水平。

    May, 2023