文件名称：Encoder-Based-Lifelong-learning
文件大小：1.07MB
文件格式：ZIP
更新时间：2024-06-02 15:13:40
MATLAB
基于编码器的终身学习 介绍 该代码实现了终身学习的方法。 它基于我们的工作，引入了一种新的终身学习解决方案，其中针对一系列任务训练单个模型。 在这种情况下，视觉系统面临的主要挑战是灾难性的遗忘：由于它们倾向于适应最近出现的任务，因此在先前学习的任务上会失去性能。 我们的方法旨在在使用自动编码器学习新任务的同时，保留先前任务的知识。 对于每个任务，都会学习一个不完整的自动编码器，并捕获对其完成至关重要的功能。 当向系统提出新任务时，我们防止使用这些自动编码器的功能重构发生变化，这具有保留以前任务主要依赖的信息的作用。 同时，为这些特征提供了空间以适应最新环境，因为仅控制了它们向低维子流形的投影。 所提出的系统在图像分类任务上得到了评估，并减少了对最新技术的遗忘。 先决条件 的MATLAB MatConvNet（ ）-代码基于1.0-beta23版本。 GPU：应与4G的gpu内存配合
【文件预览】：
Encoder-Based-Lifelong-learning-master
----Experiments()
--------cnn_imagenet_setup_data.m(7KB)
--------findLastCheckpoint.m(463B)
--------setup_LwF_with_encoder.m(663B)
--------cnn_train.m~(19KB)
--------cnn_imagenet_evaluate.m(5KB)
--------cnn_imagenet_evaluate.m~(5KB)
--------exp_LwF_with_encoder.m(6KB)
--------cnn_train.m(19KB)
--------cnn_imagenet_sync_labels.m(593B)
--------exp_LwF_with_encoder.m~(6KB)
----EBLL-Pytorch code()
--------EBLL_Caller.ipynb(29KB)
--------AlexNet_EBLL.ipynb(7KB)
--------Demo.ipynb(2KB)
--------utils()
----global_model.png(28KB)
----LICENSE(2KB)
----LwF_with_encoder()
--------Model_preparation()
--------For_tests()
--------Model_training()
----README.md(4KB)
----utils()
--------multitask_backward_bef_fc8.m(3KB)
--------vl_simplenn_LwF_encoder.m(20KB)
--------sigmoid.m(334B)
--------euclideanloss.m(536B)
--------en_reshape.m(460B)
--------vl_nnsoftmaxdiff.m(5KB)
--------en_standarize.m(432B)
--------intermediate_euclideanloss.m(795B)
--------multitask_forward_bef_fc8.m(2KB)
--------multitask_backward_code_pool.m(4KB)
--------multitask_forward_code_pool.m(4KB)
----Autoencoder()
--------cnn_autoencoder_with_classerror.m(7KB)
--------cnn_train_adadelta.m(22KB)