CORe50
PulseAugur coverage of CORe50 — every cluster mentioning CORe50 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SynGAP框架模仿生物延展性以实现持续学习
研究人员开发了SynGAP，一个新颖的持续学习框架，它模仿生物延展性以防止人工神经网络中的灾难性遗忘。与需要任务标签或大量内存开销的现有方法不同，SynGAP通过维护Fisher信息矩阵的移动平均值来创建预处理梯度的乘法掩码，从而使用自适应梯度预处理。这种方法选择性地减弱对关键历史参数的更新，从而在Split CIFAR-100和CORe50等基准测试中提高准确性并减少遗忘。
-
新的BPG框架增强了神经网络中的域增量学习
研究人员开发了BPG，一个用于域增量学习（DIL）的新框架，旨在改进深度神经网络在不遗忘先前知识的情况下适应新数据分布的能力。BPG包含两个主要组件：BPG-Adapter，它根据特定域的特征可分性调整模型的学习能力；以及BPG-Inference，一种在测试时融合多个特定域模型以避免误识别域的策略。在DomainNet等数据集上的实验表明，BPG达到了最先进的准确率，并显著减少了知识遗忘。
-
新的CIFNet框架以解析方式解决了类别增量学习问题
研究人员开发了CIFNet，一个新颖的类别增量学习（CIL）框架，它绕过了传统的基于梯度的优化。通过将CIL视为一系列确定性的、闭式解的分类器适应过程，CIFNet在实现与现有方法相当的准确率的同时，显著降低了计算成本和能耗。该框架使用正则化递归最小二乘法（RRLS）来解析地更新分类器权重，并包含一个轻量级的校准缓冲区，以确保决策边界的平衡，而无需存储原始图像或执行梯度更新。
-
HydraCIL 为边缘设备提供高效的类增量学习
研究人员推出 HydraCIL，这是一种专为嵌入式系统等资源受限环境设计的类增量学习新方法。该方法将特征提取与分类器训练解耦，允许在不进行大量骨干网络重新训练的情况下创建轻量级、特定任务的分类器头。实验表明，HydraCIL 在显著降低训练时间和能耗的同时，实现了与最先进方法相当的性能。
-
新框架修正在线学习系统中的目标偏移
研究人员开发了一个新的框架，用于分析和改进在遇到分布偏移的在线学习系统。他们的工作聚焦于核回归，揭示了在线学习能有效利用偏移和不准确的目标输出。通过引入一种目标修正方法，他们证明了基于核的在线学习即使在图像分类任务的持续学习场景中，也能达到与离线学习相同的性能，甚至优于标准的在线方法。
-
HEDP框架使用能量-距离提示进行域增量学习
研究人员推出了一种新的域增量学习框架HEDP，旨在防止模型适应新数据时性能下降。该框架采用混合方法，结合了基于能量和基于距离的机制，灵感来自亥姆霍兹自由能。实验表明，HEDP在未见过的数据域上实现了2.57%的准确率提升，有效减少了灾难性遗忘并增强了适应性。
-
ImageHD加速器通过超维度计算提升设备端持续学习能力
研究人员开发了ImageHD，这是一种新颖的FPGA加速器，旨在使用超维度计算（HDC）实现视觉表示的节能设备端持续学习。该系统通过提供快速、非迭代的在线更新来解决传统方法的局限性，适用于资源受限的边缘AI设备。ImageHD集成了硬件感知持续学习算法、量化CNN前端和流式数据流架构，与CPU和GPU基线相比，实现了显著的速度提升和能效比。