Dec, 2023

基于伪回放的类别连续学习在增材制造中的在线新类别异常检测

PDF
TL;DR本文提出了一种基于伪重播的增量学习方法，通过集成类别增量学习和基于过采样的数据生成，使机器学习模型能够在出现新类别异常时增量训练，并且提高了数据质量，验证结果在增材制造过程中非常有效，带来更多模型架构上的灵活性。
advanced sensorsmachine learningcontinual learninganomaly detectionadditive manufacturing
发现论文，激发创造
  • 概念漂移下的增量式经验回放连续学习

    提出了一种新的持续性学习方法来同时处理学习和存储新信息以及适应先前概念的变化，该方法引入了一个记忆库和一个反应子空间缓冲区来解决数据流挖掘和连续学习两个领域的问题。

    Apr, 2021

  • 看我，无重放！SurpriseNet：受启发的无监督增量学习的异常检测

    SurpriseNet 是一种解决持续学习中灾难性干扰和跨任务知识学习问题的方法，通过参数隔离和基于异常检测的自编码器来处理，适用于结构化和非结构化数据。

    Oct, 2023

  • 基于重播的连续学习在语义分割中的应用: RECALL

    研究使用生成对抗网络和网络抓取数据重现不可用的旧类数据，避免遗忘和背景类的数据分布变化，达到在连续学习中存在不同步骤和背景类分布变化的情况下更好的表现。

    Aug, 2021

  • 基于时间感知正则化的生成式经验回放的类增量学习

    在严格的条件下，通过使用生成回放、模型大小控制、时态正则化等方法，本研究提出了一种脑启发式的持续学习方法，以解决累积学习中遗忘问题，并在重要基准测试中取得了较好的实验结果。

    Oct, 2023

  • 监控视频异常检测的持续学习

    本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

    Apr, 2020

  • 医疗领域的多标签持续学习：一项新的基准

    医学成像的分类问题具有新类别和域偏移的挑战，本文提出了一种名为伪标签重播的新方法，通过结合重播和伪标签方法的优势以解决现有的限制，有效地应对挑战并展现卓越性能和最小的遗忘。

    Apr, 2024

  • 一种多标签连续学习框架，以扩展深度学习方法以进行包装设备监控

    本研究提出了一种高效的方法，用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题，并能够在 Class Incremental Learning 场景下应用，实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。

    Aug, 2022

  • RECALL: 无需回忆的连续学习用于目标分类

    提出了一种名为 RECALL 的新型无训练回溯方法，可持续性地学习新的未见过的物体类别，采用回想流程对旧类别进行分类，采用新头部来适应新类别，同时提出了一个正则化策略来减轻遗忘，提出了包括方差的马氏损失，以适应可变密度的新旧类别差异，并在 HOWS-CL-25 数据集上验证了方法的有效性。

    Sep, 2022

  • 基于伪标签的无监督连续学习

    本研究提出一种用伪标签取代标准标签，在无监督模式下实现连续学习的方法，并提出了一种新的基准实验协议，以更好地评估模型在图像分类任务上的性能。结果表明，使用伪标签和现有的监督方法相结合可以在无监督场景下取得良好的成果。

    Apr, 2021

  • 基于锚点的无监督学习方法用于连续广义类别发现

    本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别，通过在有标签数据集上微调特征提取器和代理锚点，并在无标签数据集上对样本进行旧类别和新类别的划分和聚类，并利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘，实验证明，我们提出的方法在真实场景下的细粒度数据集上优于现有技术手段。

    Jul, 2023