Viele Anwendungen von Computer Vision erfordern die Fähigkeit, sich an Neues anzupassen
Datenverteilungen nach der Bereitstellung. Anpassung erfordert Algorithmen, die dazu in der Lage sind
kontinuierliches Lernen (CL). Kontinuierliche Lernende müssen plastisch sein, um sich an Romane anzupassen
Aufgaben erledigen und gleichzeitig das Vergessen vorheriger Aufgaben minimieren, CL öffnet sich
Möglichkeiten für Lärm, in die Trainingspipeline einzudringen und den CL zu stören. Diese Arbeit
konzentriert sich auf Label-Rauschen und Instanz-Rauschen im Kontext der Klasseninkrementierung
Lernen (CIL), Dabei werden im Laufe der Zeit neue Klassen zu einem Klassifikator hinzugefügt, Und
Es besteht kein Zugriff auf externe Daten aus vergangenen Kursen. Unser Ziel ist es, das zu verstehen
Empfindlichkeit von CL-Methoden, die durch die Wiedergabe von Elementen aus einem Speicher funktionieren
konstruiert nach der Idee von Coresets. Wir leiten eine neue Schranke für ab
Robustheit einer solchen Methode gegenüber unkorreliertem Instanzrauschen im Allgemeinen
Additives Lärmbedrohungsmodell, mehrere Erkenntnisse offenbaren. Die Theorie auf den Punkt bringen
in die Praxis umsetzen, Wir erstellen zwei kontinuierlich lernende Algorithmen zum Konstruieren
Rauschtolerante Wiedergabepuffer. Wir vergleichen empirisch die Wirksamkeit von
frühere gedächtnisbasierte kontinuierliche Lernende und die vorgeschlagenen Algorithmen unter der Bezeichnung
und unkorreliertes Instanzrauschen in fünf verschiedenen Datensätzen. Wir zeigen, dass es existiert
Speicherbasierte CL sind nicht robust, wohingegen die vorgeschlagenen Methoden signifikante Ergebnisse liefern
Verbesserungen bei der Maximierung der Klassifizierungsgenauigkeit und der Minimierung des Vergessens
die laute CIL-Einstellung.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: