Incremental Learning of Object Detectors without Catastrophic Forgetting复现

最新推荐文章于 2024-10-20 10:09:05 发布
最新推荐文章于 2024-10-20 10:09:05 发布
阅读量401 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 增量学习 神经网络 网络鲁棒性 目标跟踪的文章归纳整理 文章标签： Incremental Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41063476/article/details/87795087
本文介绍了一种增量学习方法，用于训练目标检测器，避免灾难性遗忘。提供了增量学习代码资源和预训练ResNet-50模型下载链接，以及VOC数据集的准备工作。

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

Incremental Learning of Object Detectors without Catastrophic Forgetting

  1. 下载原始code :incremental_detectors
    也可从百度网盘下载：链接：https://pan.baidu.com/s/1pY2SwfUjopDPaIkx8Ao1hA
    提取码：jn0c

  2. 准备网络，从google下载pre-trained ResNet-50 ，如果不能下载可以从百度网盘下载，链接：https://pan.baidu.com/s/1CtgTw4LS1aU5Na6kg6k-Cg
    提取码：6ssl

  3. 准备 voc数据集：

  4. 准备coco数据集：要先下载protocl,暂时不用这个，因为要用ubuntu环境，以后有时间再用

  5. 数据下载太慢，而且文件里voc2007的数据官网都没了，弃坑

目标检测 cvpr iccv eccv最新进展，包含代码
xiao__run的博客
05-21 5094
object-detection Contents: R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 SSD DSSD FSSD ESSD MDSSD Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD Based on han...
弹性响应蒸馏 | 用弹性响应蒸馏克服增量目标检测中的灾难性遗忘
极智视界
09-27 1237
大家好，我是极智视界，本文解读一下 用弹性蒸馏克服增量目标检测中的灾难性遗忘。
MATLAB读取图像实验代码-incremental_detectors:论文“没有灾难性遗忘的对象检测器的增量学习”的代码发布
06-13
MATLAB 读取图像实验代码无灾难性遗忘的目标检测器增量学习 这是我们在 ICCV 2017 上发表的论文的代码发布。 要求 代码是为 Python 3.5 和 TensorFlow 1.5 编写的（对于较新的版本，可能需要稍作修改）。 您还需要安装正常的科学堆栈：NumPy、SciPy、Matplotlib、OpenCV。 如果你不喜欢 OpenCV，你可以用可以读取和调整图像大小的东西替换它。 SciPy 仅用于与 Matlab 交互。 您还需要一个检查点来初始化对象检测器。 把它放在目录./resnet 。 这些权重是从 Microsoft 官方版本中获得的，但略有更改以更好地对应 TF 细微差异。 这个检查点与谷歌为 TF-Slim 发布的检查点不同。 数据集 所有实验均在 和 上完成。 要使用 COCO，您还需要安装。 实验 要在 VOC 2007 上训练和评估正常的 FastRCNN，请启动以下命令： python3 frcnn.py sigmoid --run_name=resnet_sigmoid_20 --num_classes=20 --dataset=voc07
【论文翻译】Faster ILOD：Incremental Learning for Object Detectors based on Faster RCNN
小张好难瘦的博客
12-07 1825
Faster ILOD：Incremental Learning for Object Detectors based on Faster RCNN Faster ILOD：基于Faster RCNN的目标检测器增量学习 论文地址：https://arxiv.org/pdf/2003.03901.pdf 代码地址：无 Abstract The human vision and perception system is inherently incremental where new knowled
【增量目标检测笔记】：1-Incremental Learning of Object Detectors without Catastrophic Forgetting
qq_58120641的博客
09-04 1885
一个增量学习的17年的老论文的学习笔记
Incremental Learning of Object Detectors without Catastrophic Forgetting 代码运行
大琪子的博客
07-06 416
主要参考是小金鱼儿大神写的博客。 https://haoyu.love/blog608.html 但是大神写的代码我运行不起来，最后改了一些东西，运行起来了。 所以记录一下。 一句话： matlab的版本要最好是2016b，我使用的是2017b，这个版本需要修改代码。修改的代码是在github的EdgeBox的issue上看到的，我也忘了具体是哪一个issue。 资源还在上传中。...
Incremental Learning of Object Detectors without Catastrophic Forgetting详解
gbyy42299的博客
11-01 4371
Incremental Learning of Object Detectors without Catastrophic Forgetting详解 最近由于项目的需要在研究incremental learning在目标检测方面的应用，刚好读到了INRIA在2007年的一篇paper，采用蒸馏loss的方法来做incremental learning的，所以写这篇博客记录下来。 概述 不懂什么叫i...
Incremental Learning of Object Detectors without Catastrophic Forgetting 论文阅读
aiqiu_gogogo的博客
10-14 2605
本文概览 CNN用于目标检测任务的缺陷——类别遗忘：假设CNN模型A为在一个物体检测训练集1上训练得到的性能较好的检测器，现在有另外一个训练集2，其中物体类别与1不同，使用训练集2在A的基础上进行fine-tune得到模型B，模型B在训练集2中的类别上可以达到比较好的检测结果，但是在训练集1中的类别上检测性能就会大幅度下降； 本文目的：缓解CNN用于目标检测任务的类别遗忘，在训练集1中原始图片不可得
用弹性响应蒸馏克服增量目标检测中的灾难性遗忘问题
最新发布
m0_61387177的博客
10-20 1071
在论文中，作者精心设计了目标检测领域中一种基于响应的增量范式，有效地缓解了灾难性遗忘问题。首先，从分类头和回归头中学习响应，并特别在回归响应中引入增量定位蒸馏。其次，设计了弹性选择策略，以在不同的头上提供合适的响应，大量的实验验证了该方法的有效性。最后，详细分析讨论了作者提出方法的通用性 以及 增量检测任务中基于响应和基于特征的蒸馏之间的本质区别，这为该领域的进一步探索提供了见解。
推荐几篇近3年增量学习领域比较优秀的文献
05-21
5. "Incremental Learning of Object Detectors without Catastrophic Forgetting" by German Ros, Laura Sellart, Joanna Materzynska and David Vazquez. 这篇文章提出了一种无遗忘增量学习方法，用于目标检测任务...
private.zip
07-06
Incremental Learning of Object Detectors without Catastrophic Forgetting 里面用到了EdgeBoxes，如果matlab版本太高的话，需要修改代码，代码是我从github的issues上拷贝下来的。 放在edges的private下面，...
【论文总结】Incremental Learning of Object Detectors without Catastrophic Forgetting（附翻译）
小张好难瘦的博客
11-15 2887
Incremental Learning of Object Detectors without Catastrophic Forgetting 论文地址： 代码地址： 摘要 Despite their success for object detection, convolutional neural networks are ill-equipped for incremental learning, mi.e., adapting the original model trained on .
复现论文“Low Complexity ZF and MMSE Detectors for the Uplink MU-MIMO Systems“的源代码
qq_43546558的博客
01-16 462
我们的课程需要复现的一篇论文的代码，已上传至github。 如果大家觉得有用，请在github给我一个star。 链接是GitHub - Fluerie1999/Low-Complexity-ZF-and-MMSE-Detectors-for-the-Uplink-MU-MIMO-Systems-With-a-Time-Varying-Number-of-Ac: The code is about the paper "Low Complexity ZF and MMSE Detectors f
[论文分享] Overcoming Catastrophic Forgetting in Incremental Few-Shot Learning by Finding Flat Minima
qq_40825479的博客
01-07 2901
我又来给大家分享PAPER了！！！ 今天给大家分享的这篇论文是NIPS’ 2021的一篇Few-Shot增量学习(FSCIL)文章，这篇文章通过固定backbone和prototype的到一个简单的baseline，发现这个baseline已经可以打败当前IL和IFSL的很多SOTA方法，基于此通过借鉴robust optimize的方法，提出了在base training训练时通过flat local minima来对后面的session进行fine-tune novel classes，解决灾难性遗忘问
文献阅读（37）AAAI2021-Overcoming Catastrophic Forgetting in Graph Neural Networks with Experience Replay
优快云TianJi的博客
03-06 1323
本文是对《Overcoming Catastrophic Forgetting in Graph Neural Networks with Experience Replay》一文的浅显翻译与理解，如有侵权即刻删除。
深度学习论文笔记(增量学习)——Overcoming catastrophic forgetting in neural networks
菜到怀疑人生的博客
01-18 8981
文章目录主要工作motivationmethod什么是拉普拉斯近似什么是Fisher information 越来越懒，看的文献越来越多，做的总结越来越少，大概要写十几篇总结，寒假不知道写得完不… 主要工作 该文章由deepmind在2016年出品，其将抵抗灾难性遗忘的工作分为三步 1、选择对于旧任务而言，较为重要的权重 2、在第一步的基础上，对权重的重要性做一个排序 3、在学习新任务时，尽量使步...
DetectoRS学习笔记（54.7AP 目前目标检测最强模型！）
justsolow的博客
06-06 3173
DetectoRS学习笔记 从结果上看，这篇文章在Res50+HTC的基础上将box mAP从43.6刷到了51.3. 文章的创新点主要来自于两点: 1、FPN的改进—>RFP 主要提出对FPN的结构增加feedback的反馈和recursive的repeat堆叠, 融合时还使用了ASPP的结构，增大了全局特征和感受野。具体示意图如下： 公式为： 这里的f代表的就是自顶向下的FPN的过程，B就是自底向上的特征提取的过程，x是输入，R是自顶向下传输到自底向上的过程中的横向连接的一种转换，也就是ASPP
最好的Blog在哪？
Dark White Polyphony 深白复调
09-07 1143
我记得最初让我产生放弃这个装修了很久的优快云 Blog的原因是要进Alexa排名似乎至少要有一个二级域名。 昨天又收到了Payperpost.com正式的拒绝信。遂决定搬家，去写英文。像我这种懒人，首选当然是BSP。Google了一下，国内最好的BSP应该是yo2.cn了，可惜WordPress已经汉化，听说还有插件被和谐掉的情况。国内找个英文BSP不抱希望。放眼国外，最想用的是bl
机器学习：Leaning without Forgetting -- 增量学习中的抑制遗忘
Matrix-11
02-17 4523
传统的机器学习中，训练数据的类别都是固定的，这里也有一个假设，就是测试集也是类别固定的，这也是为什么现在很多模型在人类看来非常白痴的原因，套用一句非常经典的话来说，就是对于一个只见过猫狗的模型来说，那么这个世界在这个模型眼里里，只有猫狗两种可能。 所以很多研究人员开始探索增量学习这种技术，这种技术是模拟人的认知过程的，虽然我们无法见过这世界所有的东西，但是随着我见过的物体种类越来越多，那我们能够认...
learning without forgetting的pytorch实现
09-08
learning without forgetting是指在进行连续学习任务时，保持之前所学习知识的不被遗忘。为了实现learning without forgetting，可以使用PyTorch这一深度学习框架。 在PyTorch中，可以使用增量学习（incremental learning）的方法。具体步骤如下： 1. 定义初始模型：首先，定义一个初始模型，用于解决第一个学习任务。可以使用PyTorch中的Module类来创建模型，并选择适当的网络结构。 2. 学习第一个任务：使用第一个任务的数据集对模型进行训练。可以使用PyTorch提供的DataLoader类来加载数据集，使用优化器（如Adam或SGD）和损失函数（如交叉熵损失）对模型进行训练。 3. 保存模型参数：在完成第一个任务的训练后，将模型的参数保存起来。可以使用torch.save()函数将参数保存到磁盘上的文件中。 4. 准备新任务：准备新的数据集和标签，用于学习新的任务。可以使用相同的网络结构或者更改网络结构，根据新的任务要求进行适当的调整。 5. 加载之前的模型参数：在开始新的任务训练之前，使用torch.load()函数加载之前保存的模型参数。 6. 设置学习率：由于新的任务可能与之前的任务有不同的难度或重要性，可以设置不同的学习率来适应新任务的特点。可以使用PyTorch中的scheduler类或手动调整学习率。 7. 学习新任务：使用新的数据集对模型进行更新训练。可以使用先前定义的优化器和损失函数，使用torch.nn.Module的train()方法进行训练。 通过以上步骤，可以在PyTorch中实现learning without forgetting。重要的是保存和加载已训练模型参数，并根据新任务的要求进行适当的调整。同时，可以根据需要设置学习率等超参数，以更好地适应不同任务的特点。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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