Incremental Learning of Object Detectors without Catastrophic Forgetting 代码运行

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。。。

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

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