.png){kind=icon}
返回
Viewpoint-Aware Sampling for Effective Online Domain Incremental Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ifacol.2025.10.202.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了面向图像分类的在线领域持续学习问题。在一系列扩展任务中，持续学习会遇到灾难性遗忘问题。为缓解这一挑战，可采用记忆重放策略，即在新任务引入时重新访问缓冲区中存储的样本。然而，自主代理（如机器人）可用的记忆预算通常有限，这使得代表性样本的选择至关重要。确保代表性的有效策略是选择多样样本。为此，我们提出了一种新颖的即时采样策略，称为视角感知采样（VAS），通过从不同视觉角度选择样本，在记忆缓冲区中维持多样性。我们在OpenLORIS-Object和CORe50-NI基准上实证评估了VAS的有效性，发现其在平均准确率、逆向转移和正向转移方面持续优于现有最先进方法，同时所需计算资源更少。版权所有©2025 作者。本文采用CC BY-NC-ND许可协议（https://creativecommons.org/licenses/by-nc-nd/4.0/）开放获取。
Keyword:
Service robotics
computer vision for robotics
online continual learning
domain incremental learning
catastrophic forgetting
期刊
I
IF:
0
论文数:
985
被引数:
0
机构
.png){kind=icon}
没有更多内容