实体
Aoting Zhang
Aoting Zhang
PulseAugur coverage of Aoting Zhang — every cluster mentioning Aoting Zhang across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架KBK增强多标签类别增量学习
研究人员开发了一个名为KBK（Knowing Beyond the Known）的新框架，以改进多标签类别增量学习（MLCIL）。该方法解决了区分已知和未知信息所带来的挑战，而这些信息会阻碍在具有共现和不完整标签的场景中的性能。KBK采用分层特征净化模块来分离特定类别的特征，并采用不确定性感知召回策略来增强历史数据保留。它还利用语义相关性来生成用于未来学习的信息性未知特征，以及类别平衡梯度补偿损失来管理遗忘。
-
新框架OKR提升领域增量目标检测性能
研究人员推出了一种名为正交知识刷新（OKR）的新型框架，旨在改进领域增量目标检测（DIOD）。OKR解决了模型在适应新数据域时不会丢失先前知识的挑战。该框架通过创建独立的、特定于域的子空间进行融合决策，从而防止干扰和性能下降。OKR还结合了基于梯度的正交刷新策略和拓扑感知一致性，以进一步最小化知识遗忘和语义碎片化。
-
新的FAS框架解决了目标检测中的梯度稀释问题
研究人员引入了一个名为FAS的新框架，旨在利用检测Transformer解决增量目标检测中的梯度稀释问题。这种在顺序学习中优化信号减弱的现象是由信号分散、分配漂移和支持损耗引起的。FAS旨在通过聚焦梯度流、对齐查询-目标分配以及维持旧类别的特征空间支持来对抗这些问题。