公开(公告)号：CN117746144A

公开(公告)日：2024-03-22

申请号：CN202311781473.5

申请日：2023-12-22

Applicant: 电子科技大学

Inventor： 李宏亮 ,  程浩洋 ,  问海涛 ,  邱荷茜 ,  王岚晓 ,  张敏键 ,  孟凡满 ,  许林峰 ,  吴庆波

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06V10/774 ,  G06N3/045 ,  G06N3/088 ,  G06N3/0895 ,  G06N3/084

Abstract: 该发明公开了一种基于交替任务判别的无监督连续学习的图像分类方法，属于无监督连续学习的图像分类领域。本发明首次提出利用自监督辅助任务来帮助深度学习模型保留过去编码信息的记忆，从而具有克服灾难性遗忘的能力。发明的主要创新点在于设计了任务判别辅助任务，同时提出交替优化训练方法，保证了无监督连续学习表征的有效性和连续性。相比于基于重演、正则的无监督连续学习方法，该方法简单而高效，在保证模型抗遗忘能力的前提下极大地降低了对过去数据信息的依赖。

公开(公告)号：CN116091816A

公开(公告)日：2023-05-09

申请号：CN202211509635.5

申请日：2022-11-29

Applicant: 电子科技大学

Inventor： 李宏亮 ,  程浩洋 ,  孟凡满 ,  吴庆波 ,  许林峰 ,  潘力立

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/09

Abstract: 本发明所要解决的技术问题是，一种持续自监督学习的图像分类方法，利用增广稳定性挑选各数据流中类别分布边界和中心的样本作为重演样本，以最大程度地减轻过拟合效应和灾难性遗忘；其次，提出对比连续性使网络尽可能多地捕捉数据流之间共享的信息以防止灾难性遗忘，同时尽可能多地剔除冗余信息以提升网络可塑性，增强其持续学习的能力。相比于随机采样的方式，该方法能够最大程度地减轻过拟合效应和灾难性遗忘；其次，在于利用对比连续性使网络尽可能多地保留与过去数据流之间共享的信息以防止灾难性遗忘，同时剔除在过去数据流中编码的冗余信息来提升网络可塑性，增强其持续学习的能力，提高图像分类性能。