Class-incremental Learning via Deep Model Consolidation 翻译
Abstract 深度神经网络(DNNs)在增量学习(IL)过程中经常遭受“灾难性遗忘”——当训练目标适应于新添加的一组类时，原始类的性能会突然下降。 现有的IL方法倾向于产生一个偏向于旧类或新类的模型，除非借助旧数据的范例。 为了解决这个问题，我们提出了一种称为深度模型整合(Deep Model Consolidation, DMC)的类增量学习范式，即使在原始训练数据不可用的情况下，它也能很好
相关文章
- 1. Deep Learning 教程翻译
- 2. Deep Learning Model--CNN
- 3. Wide & Deep Learning Model
- 4. 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》 论文翻译笔记
- 5. 【论文翻译】Deep Residual Learning for Image Recognition
- 6. 【论文翻译】Deep residual learning for image recognition
- 7. Wide & Deep Learning for Recommender Systems 翻译
- 8. A Survey on Deep Transfer Learning 2018 翻译
- 9. Deep Learning, NLP, and Representations翻译学习
- 10. 翻译“Learning Transferable Features with Deep Adaptation Networks”
- 更多相关文章...
- • Eclipse 编译项目 - Eclipse 教程
- • Kotlin 使用命令行编译 - Kotlin 教程
- • Java Agent入门实战（一）-Instrumentation介绍与使用
- • Java Agent入门实战（三）-JVM Attach原理与使用
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Deep Learning 教程翻译
- 2. Deep Learning Model--CNN
- 3. Wide & Deep Learning Model
- 4. 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》 论文翻译笔记
- 5. 【论文翻译】Deep Residual Learning for Image Recognition
- 6. 【论文翻译】Deep residual learning for image recognition
- 7. Wide & Deep Learning for Recommender Systems 翻译
- 8. A Survey on Deep Transfer Learning 2018 翻译
- 9. Deep Learning, NLP, and Representations翻译学习
- 10. 翻译“Learning Transferable Features with Deep Adaptation Networks”