.png){kind=icon}
返回
Active continual learning with Energy Alignment Sampling Strategy (EASS) for structural damage classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06743-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习旨在使模型能够持续获取新知识而不会遗忘先前学习的信息——这是动态环境中的一项基础性但具有挑战性的任务。尽管基于梯度和不确定性的近期记忆选择策略等已推动该领域发展，但它们仍存在采样偏差和任务间泛化能力有限的问题。为解决这些局限性，我们提出了能量对齐采样策略（EASS），一种将能量基建模集成到记忆回放和主动样本获取中的主动持续学习框架。EASS的核心原理在于基于自由能、不确定性和多样性选择记忆和未标记样本，并使用结合交叉熵与自由能对齐损失的双损失函数进行联合训练，以在适应新任务的同时保留旧知识。该方法有助于缓解旧知识遗忘并提升新知识获取效率。我们在CIFAR-10数据集上的实验结果验证了该方法的有效性。此外，我们将该框架应用于两个结构损伤分类数据集——集装箱损伤数据集（Container Damage Dataset）和建筑结构损伤数据集（Building Structural Damage Dataset），并取得了有前景的结果。本研究推动了持续学习领域的发展，并突显了其在现实场景中的实际应用，特别是在结构损伤评估方面。
Keyword:
Damage classification
Energy-based model
Active continual learning
Continual learning
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Singh, V., Choromanska, A., Li, S., & Du, Y. (2024). Wake-sleep energy based models for continual learning. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 4118–4127).Singh, V., Choromanska, A., Li, S., & Du, Y. (2024)。用于持续学习的基于能量唤醒-睡眠模型。载于《IEEE/CVF 计算机视觉与模式识别会议论文集》（第 4118-4127 页）。.png)
IF0
PREAI
分享收藏Voice Analysis in Dogs with Deep Learning: Development of a Fully Automatic Voice Analysis System for Bioacoustics StudiesSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Chaotic Artificial Algae Algorithm for Solving Global Optimization With Real-World Space Trajectory Design Problems混沌人工藻群算法在解决具有真实空间轨迹设计问题的全局优化中的应用
OAAI
OAAI分享收藏
查看更多内容