期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于因果关系的小样本类增量学习
1
作者
刘冰瑶
刘进锋
《计算机应用》
CSCD
北大核心
2024年第S01期54-59,共6页
相较于一次性获得所有训练数据的批量学习,小样本类增量学习具有更高的现实意义,它既能使机器学习更接近人类智能水平,又可以减少深度学习模型对大量训练数据的依赖。为缓解小样本类增量学习对旧类的遗忘,同时使分类过程不受任何因素的...
相较于一次性获得所有训练数据的批量学习,小样本类增量学习具有更高的现实意义,它既能使机器学习更接近人类智能水平,又可以减少深度学习模型对大量训练数据的依赖。为缓解小样本类增量学习对旧类的遗忘,同时使分类过程不受任何因素的干扰,提出一种基于因果关系的小样本类增量学习策略。首先,采用干预式小样本学习剔除预训练知识所产生的混淆影响,使样本特征与分类标签具有真实的因果关系;其次,采用基于因果效应的类增量学习方法,通过在旧数据与最终标签间建立通路达到数据重放的因果效应,缓解灾难性遗忘;最后,采用随机情节选择策略增强特征的可扩展性,使它适应后续的增量学习。在miniImageNet与CIFAR100数据集上的实验结果表明,所提方法在1~8轮的增量学习过程中取得了最优的平均精度,同时具有一定稳定性、可解释性。
展开更多
关键词
小样本类增量学习
可解释性
因果推断
增量
学习
神经网络
在线阅读
下载PDF
职称材料
基于特征分布学习的小样本类增量学习
被引量：
1
2
作者
姚光乐
祝钧桃
+3 位作者
周文龙
张贵宇
张伟
张谦
《计算机工程与应用》
CSCD
北大核心
2023年第14期151-157,共7页
关注了一个非常具有挑战性的问题:深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识,同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习,提出了一个基于特征分布学习的...
关注了一个非常具有挑战性的问题:深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识,同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习,提出了一个基于特征分布学习的小样本类增量学习方法。在基类上学习模型以获得一个性能良好的特征提取器,并使用每类的特征分布信息来表示知识。将已学习的知识与新类的特征一起映射到一个新的低维子空间中,以统一地回顾旧知识与学习新知识。在子空间内,还为每个新类生成了分类权值初始化,以提高模型对新类的适应性。大量实验表明,该方法可以有效地减轻模型对已学习知识的遗忘,同时提高模型对新知识的适应性。
展开更多
关键词
小样本类增量学习
深度神经网络
增量
学习
在线阅读
下载PDF
职称材料
自监督解耦动态分类器的小样本类增量SAR图像目标识别
被引量：
1
3
作者
赵琰
赵凌君
+2 位作者
张思乾
计科峰
匡纲要
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第10期3936-3948,共13页
为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力,该文研究了SAR ATR的小样本类增量学习(FSCIL)问题,并提出了自监督解耦动态分类器(SDDC)。针对FSCIL中“灾难...
为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力,该文研究了SAR ATR的小样本类增量学习(FSCIL)问题,并提出了自监督解耦动态分类器(SDDC)。针对FSCIL中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战,根据SAR图像目标信息的部件化与方位角敏感性特点,于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务,以提升目标表征的泛化性与稳健性。同时,设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调,以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。
展开更多
关键词
SAR目标识别
小样本类增量学习
自监督
学习
深度
学习
在线阅读
下载PDF
职称材料
题名
基于因果关系的小样本类增量学习
1
作者
刘冰瑶
刘进锋
机构
宁夏大学信息工程学院
出处
《计算机应用》
CSCD
北大核心
2024年第S01期54-59,共6页
基金
宁夏自然科学基金资助项目(2023AAC03126)。
文摘
相较于一次性获得所有训练数据的批量学习,小样本类增量学习具有更高的现实意义,它既能使机器学习更接近人类智能水平,又可以减少深度学习模型对大量训练数据的依赖。为缓解小样本类增量学习对旧类的遗忘,同时使分类过程不受任何因素的干扰,提出一种基于因果关系的小样本类增量学习策略。首先,采用干预式小样本学习剔除预训练知识所产生的混淆影响,使样本特征与分类标签具有真实的因果关系;其次,采用基于因果效应的类增量学习方法,通过在旧数据与最终标签间建立通路达到数据重放的因果效应,缓解灾难性遗忘;最后,采用随机情节选择策略增强特征的可扩展性,使它适应后续的增量学习。在miniImageNet与CIFAR100数据集上的实验结果表明,所提方法在1~8轮的增量学习过程中取得了最优的平均精度,同时具有一定稳定性、可解释性。
关键词
小样本类增量学习
可解释性
因果推断
增量
学习
神经网络
Keywords
few-shot class-incremental learning
interpretability
causal inference
incremental learning
neural network
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于特征分布学习的小样本类增量学习
被引量：
1
2
作者
姚光乐
祝钧桃
周文龙
张贵宇
张伟
张谦
机构
人工智能四川省重点实验室
成都理工大学计算机与网络安全学院
四川轻化工大学自动化与信息工程学院
电子科技大学信息与通信工程学院
电子信息控制重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2023年第14期151-157,共7页
基金
人工智能四川省重点实验室开放基金(2020RYJ03)
国家自然科学基金(U20B2070)
四川省重点研发计划(2021YFS0313,2021YJ0086)。
文摘
关注了一个非常具有挑战性的问题:深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识,同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习,提出了一个基于特征分布学习的小样本类增量学习方法。在基类上学习模型以获得一个性能良好的特征提取器,并使用每类的特征分布信息来表示知识。将已学习的知识与新类的特征一起映射到一个新的低维子空间中,以统一地回顾旧知识与学习新知识。在子空间内,还为每个新类生成了分类权值初始化,以提高模型对新类的适应性。大量实验表明,该方法可以有效地减轻模型对已学习知识的遗忘,同时提高模型对新知识的适应性。
关键词
小样本类增量学习
深度神经网络
增量
学习
Keywords
few-shot class-incremental learning
deep neural network
incremental learning
分类号
TP39 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
自监督解耦动态分类器的小样本类增量SAR图像目标识别
被引量：
1
3
作者
赵琰
赵凌君
张思乾
计科峰
匡纲要
机构
国防科技大学电子科学学院
出处
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第10期3936-3948,共13页
文摘
为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力,该文研究了SAR ATR的小样本类增量学习(FSCIL)问题,并提出了自监督解耦动态分类器(SDDC)。针对FSCIL中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战,根据SAR图像目标信息的部件化与方位角敏感性特点,于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务,以提升目标表征的泛化性与稳健性。同时,设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调,以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。
关键词
SAR目标识别
小样本类增量学习
自监督
学习
深度
学习
Keywords
SAR target recognition
Few-Shot Class-Incremental Learning(FSCIL)
Self-supervised learning
Deep Learning(DL)
分类号
TN957 [电子电信—信号与信息处理]
TP751.2 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于因果关系的小样本类增量学习
刘冰瑶
刘进锋
《计算机应用》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于特征分布学习的小样本类增量学习
姚光乐
祝钧桃
周文龙
张贵宇
张伟
张谦
《计算机工程与应用》
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
3
自监督解耦动态分类器的小样本类增量SAR图像目标识别
赵琰
赵凌君
张思乾
计科峰
匡纲要
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
