增量学习——Maintaining Discrimination and Fairness in Class Incremental Learning——CVPR2020

本文探讨了在增量学习中使用知识蒸馏保持分类器的判别力,并通过一种称为权重对齐的方法来维持公平性,以解决最后一层全连接层权重在类增量学习中高度偏置的问题。该研究基于《大规模增量学习》和《通过再平衡学习统一分类器》两篇文章,采用复习策略,聚焦于一个具体问题并取得了良好的实验结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在这里插入图片描述

Abstract

knowledge distillation; 造成灾难性遗忘的很大一个原因是the weights in the last fully connected layer are highly biased in class-incremental learning;

Introduction

在这里插入图片描述

Conclusion

maintain the discrimination via knowledge distillation and maintains the fairness via a method called weight aligning

Key points: code开源;这篇文章的思路是基于《large scale incremental learning,CVPR2019》和《Learning a unified classifier via rebalancing》做的;实验性文章;也是基于rehearsal strategy;找到一个切入点做一个工作,做出好的实验结果

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值