Incremental Learning of Object Detectors without Catastrophic Forgetting 代码运行

最新推荐文章于 2024-10-20 10:09:05 发布
原创 最新推荐文章于 2024-10-20 10:09:05 发布 · 416 阅读 · 4 ·
CC 4.0 BY-SA版权
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。

本文解决在Matlab 2017b版本下运行EdgeBox代码遇到的问题，通过修改部分代码使其成功运行。分享了从github的EdgeBox issue中找到的解决方案。

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

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。。。

 

https://download.youkuaiyun.com/download/zengqi12138/11289936

 

不知道为什么，需要C币，我明明没有设置下载需要C比。。。

目标检测 cvpr iccv eccv最新进展，包含代码
xiao__run的博客
05-21 5090
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...
matlab特征点代码-LearningWithoutForgetting:ECCV2016的“不忘学习”资料库
05-24
matlab特征点代码不忘学习 由伊利诺伊大学厄巴纳－香槟分校和在此创建。 项目 。 有关此存储库的任何问题，请联系。 注意：此存储库是使用MatConvNet实现的。 对于PyTorch版本，我的同事Arun Mallya的存储库中有一个。 如果您决定改用他的代码，请同时引用两篇论文。 介绍 永不忘记的学习旨在向现有的卷积神经网络添加新功能（新任务），与原始功能（旧任务）共享表示，同时允许调整共享表示以适应两项任务，而无需使用原始训练数据。 由此产生的网络仅对新任务进行完全微调，表现出比广泛使用的方法更好的实践。 它也胜过特征提取，但仅在新任务性能上。 可以在中找到更详细的摘要。 该软件旨在复制我们的方法。 我们使用图书馆。 用法 该代码已在Linux（64位Arch Linux 4.4.5-1-ARCH）上进行了测试 先决条件 Matlab（已针对R2015b测试） MatConvNet v1.0-beta13 为了支持GPU，我们使用TITAN X和CUDA 7.5。 安装 使用其安装指南相应地编译MatConvNet。 下载要在其上进行实验的数据集，并进行适当放置。 （请参见数
Incremental Learning of Object Detectors without Catastrophic Forgetting详解
gbyy42299的博客
11-01 4369
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...
【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 2876
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 .
【增量目标检测笔记】：1-Incremental Learning of Object Detectors without Catastrophic Forgetting
qq_58120641的博客
09-04 1860
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复现
AstoncPou的博客
02-20 401
Incremental Learning of Object Detectors without Catastrophic Forgetting 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 复制这段内容后打开百度网盘手机App，操作更方便...
Incremental Learning of Object Detectors without Catastrophic Forgetting 论文阅读
aiqiu_gogogo的博客
10-14 2604
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 1063
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，...
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
深度学习的物体识别原版论文（英文）
12-26
卷积神经网络，深度学习，主动学习，半监督学习。 题目：Incremental Deep Learning for Robust Object Detection in Unknown Cluttered Environments。
class-incremental-learning:AANets（CVPR 2021）的PyTorch实施和助记符培训（CVPR 2020）
04-29
班级增量学习 文件 用于班级增量学习的自适应聚合网络，CVPR2021。[ ] [] 助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] [] 引文 如果它们对您的工作有帮助，请引用我们的论文： @inproceedings { Liu2020AANets , author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } , title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20
持续学习动态架构算法LwF（Learning without Forgetting ）解读总结与代码注释
欢迎一起成长呀
12-11 1988
LwF算法论文关键点汇总与代码注释
Learning without Forgetting 论文阅读和对应代码详解
qq_45478482的博客
11-25 3918
论文地址点这里 一. 介绍 基于终身学习思想，我们希望新任务可以分享旧任务的参数进行学习，同时不会出现灾难性遗忘。在这种场景下，需要开发一种简单有效的策略来解决各种分类任务。基于这种策略和单纯的想法，我们的CNN模型有一组共享参数θs\theta_sθs​，在先前学习过的任务上的特定参数θo\theta_oθo​,以及为新任务随机初始化特定的参数θn\theta_nθn​。这样，对于一个网络θo和θn\theta_o 和\theta_nθo​和θn​可以看作是作用于参数θs\theta_sθs​的特定分类器
Learning without Forgetting 翻译
大琪子的博客
03-04 3519
已弃坑，希望以前翻译的论文对感兴趣的人们有所帮助。 机翻+自己手动改一些内容。 Learning without Forgetting 摘要 在构建统一视觉系统或逐渐向系统添加新功能时，通常的假设是始终可以获得所有任务的培训数据。但是，随着任务数量的增加，对这些数据的存储和再培训变得不可行。在我们向卷积神经网络（CNN）添加新功能时出现了一个新问题，但其现有功能的训练数据不可用。我们提出了我们的学...
Learning Without Forgetting的pytorch实现
x18774007530的博客
11-12 1441
最近看了关于Zhizhong Li, Derek Hoiem的Learning without Forgetting ，在网上找了许多此方面的python代码发现运行的时候会出错。所以想着对代码做些修改能够正常运行。至于能看到这篇文章应该是对LWF有一定了解的，所以我直接放上代码连接和实验后的一些分析（数据集是源代码中的CIFAR100数据） 实验后发现在不断的两类两类的学习后，测试正确率很低。能到百分之十几左右，因此我有几个猜想 ...
2016-ECCV-《Learning without Forgetting》论文阅读笔记
weixin_39450145的博客
05-03 2201
2016-ECCV-《Learning without Forgetting》 论文地址：Learning Without Forgetting | SpringerLink 代码地址：https://github.com/lizhitwo/LearningWithoutForgetting 摘要 1）在构建统⼀的视觉系统或逐步向系统添加新功能时，通常的假设是，所有任务的练数据始终是可用的。 2）然而，随着任务数量的增加，对此类数据的存储和重新训练变得不可行。这就出现了一个新的问题，当我们向卷.
物体识别：在深度学习时代的回顾
bluewhalerobot的博客
07-23 5261
原链接: https://community.bwbot.org/topic/509 从简单的图像分类到3D姿势估计，计算机视觉中不乏有趣的问题。 我们最感兴趣的问题之一就是物体识别。 像许多其他计算机视觉问题一样，现在仍然没有明显“最佳”的方法来解决问题，这意味着仍有很大的改进空间。 在进入物体识别之前，让我们快速了解该领域中最常见的问题。 物体检测与其他计算机视觉问题 分类 图片分...
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