基于小型非独立同分布批次的无重演持续学习
机器学习
2020-04-22 v3 计算机视觉与模式识别
神经与进化计算
机器学习
摘要
机器人视觉是持续学习可发挥重要作用的领域。在频繁且不可预测变化着的复杂环境中运行的具身智能体需要持续学习与适应。例如在物体识别背景下，机器人应能够学习（且不遗忘）前所未见类别的物体，并随着已知类别新实例被发现而提升其识别能力。理想情况下，持续学习应由单物体短视频的可用性触发，并在板载硬件上以细粒度更新在线执行。本文中，我们基于CORe50基准引入一种新颖的持续学习协议，并提出两种无重演持续学习技术 CWR* 和 AR1*，其即使在近400个小型非i.i.d.增量批次这一挑战性情形下也能有效学习。特别地，我们的实验表明，在某些情况下 AR1* 可比其他最先进的无重演技术准确率高出15%以上，且跨训练批次具有非常轻量且恒定的计算与内存开销。
引用
@article{arxiv.1907.03799,
title = {Rehearsal-Free Continual Learning over Small Non-I.I.D. Batches},
author = {Vincenzo Lomonaco and Davide Maltoni and Lorenzo Pellegrini},
journal= {arXiv preprint arXiv:1907.03799},
year = {2020}
}
备注
Accepted in the CLVision Workshop at CVPR2020: 12 pages, 7 figures, 5 tables, 3 algorithms