Molte applicazioni della visione artificiale richiedono la capacità di adattarsi al nuovo
distribuzioni dei dati dopo la distribuzione. L'adattamento richiede algoritmi capaci di
apprendimento continuo (CL). Gli studenti continui devono essere plastici per adattarsi al nuovo
attività riducendo al minimo la dimenticanza delle attività precedenti. Tuttavia, CL si apre
vie affinché il rumore entri nel processo di formazione e interrompa il CL. Questo lavoro
si concentra sul rumore dell'etichetta e sul rumore dell'istanza nel contesto di classe incrementale
apprendimento (CIL), dove nuove classi vengono aggiunte a un classificatore nel tempo, E
non è possibile accedere ai dati esterni delle lezioni precedenti. Puntiamo a comprendere il
sensibilità dei metodi CL che funzionano riproducendo elementi da una memoria
costruito utilizzando l'idea di Coreset. Ricaviamo un nuovo limite per il
robustezza di tale metodo al rumore di istanza non correlato in un contesto generale
modello di minaccia del rumore additivo, rivelando diversi spunti. Mettere la teoria
in pratica, creiamo due algoritmi di apprendimento continuo da costruire
buffer di riproduzione tolleranti al rumore. Confrontiamo empiricamente l'efficacia di
precedenti studenti continui basati sulla memoria e gli algoritmi proposti sotto etichetta
e rumore di istanza non correlato su cinque diversi set di dati. Mostriamo che esiste
I CL basati sulla memoria non sono robusti mentre i metodi proposti mostrano risultati significativi
miglioramenti nel massimizzare la precisione della classificazione e ridurre al minimo le dimenticanze
l'impostazione CIL rumorosa.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: