文件名称：CLRec:Pytorch实施“持续学习是否=灾难性的遗忘？”
文件大小：4.51MB
文件格式：ZIP
更新时间：2024-06-12 08:11:40
classification convolutional-neural-networks reconstruction 3d-reconstruction incremental-learning
持续学习=灾难性的遗忘吗？ 在这项工作中，我们调查了重建任务的持续学习，并提供了在持续学习时重建任务与分类任务之间行为差异的见解。 我们进一步为分类任务引入了一种出乎意料的简单而有效的连续学习算法，并展示了使用在3D形状重构中学习的特征表示作为分类的代理任务的潜力。 此外，我们提供了可视化工具，用于了解分类任务中的遗忘。 到我们的论文，并到我们的项目网页。 该存储库包含用于再现3D形状重建的CL，代理任务和YASS结果的代码。 培训和评估C-SDFNet，C-OccNet和代理任务 按照说明进行 培训和评估YASS 按照说明进行 引用 @article { thai2021does , title = { Does Continual Learning= Catastrophic Forgetting? } , author = { Thai, Anh and Stojan
【文件预览】：
CLRec-master
----README.md(1KB)
----YASS()
--------README.md(6KB)
--------utils()
--------main_incr_cifar.py(29KB)
--------dataset_incr_cifar.py(18KB)
--------model.py(26KB)
--------data_generator()
----CL3D()
--------dataloader_shape.py(17KB)
--------main_proxy.py(6KB)
--------model_shape.py(5KB)
--------README.md(3KB)
--------train_shape.py(16KB)
--------config_shape.py(1KB)
--------perm()
--------isosurface()
--------eval_shape.py(7KB)
--------mesh_gen_utils()
--------utils_shape.py(16KB)
--------setup.py(2KB)
----environment.yml(4KB)
----auto_enc()
--------README.md(639B)
--------utils()
--------autoencoder.py(5KB)
--------autoenc_incr_main.py(18KB)
--------dataset_incr_cifar_autoenc.py(10KB)