人类活动识别中的持续学习：正则化的实证分析
机器学习
2021-04-21 v1 计算机视觉与模式识别
摘要
鉴于针对深度神经网络的持续学习技术日益聚焦于计算机视觉领域，有必要确定其中哪些方法能很好地推广到人类活动识别（HAR）等其他任务。由于近期的方法大多由损失正则化项和记忆回放组成，我们对一些在 HAR 数据集上采用这些技术的显著任务增量学习方法进行了构成要素层面的分析。我们发现大多数正则化方法缺乏实质性效果，并给出了它们失效时的直观解释。因此，我们认为持续学习算法的开发应由相当多样化的任务领域所驱动。
引用
@article{arxiv.2007.03032,
title = {Continual Learning in Human Activity Recognition: an Empirical Analysis of Regularization},
author = {Saurav Jha and Martin Schiemer and Juan Ye},
journal= {arXiv preprint arXiv:2007.03032},
year = {2021}
}
备注
7 pages, 5 figures, 3 tables (Appendix included)