꼭꼭 씹어먹고 싶은 만성소화불량

더보기나중에 읽을거다 다짐하는 의미에서 공개해둠 어쩜 그냥 보게 생겼다 에휴 ㅠㅠ   https://openaccess.thecvf.com/content/CVPR2024W/CLVISION/papers/Kim_VLM-PL_Advanced_Pseudo_Labeling_Approach_for_Class_Incremental_Object_Detection_CVPRW_2024_paper.pdfAbstract In the field of Class Incremental Object Detection (CIOD), creating models that can continuously learn like humans is a major challenge. Pseudo-labeling methods, although in..

지금 정리할 시간은 없고 블로그로 본다.  - 예제 코드와 수식https://yeong-jin-data-blog.tistory.com/entry/GMM-Gaussian-Mixture-Models GMM (Gaussian Mixture Models)📚 GMM ✅ 개요 • KNN, 위계적 군집화, DBSCAN 등의 알고리즘은 벡터간 유사도로 군집화를 실시한다. 반면 GMM은 관측된 데이터가 특정 확률 분포를 이용해서 생성되었다고 가정하는 확률 모델이다.yeong-jin-data-blog.tistory.com 수식에 대한 상세한 설명이 되어있음https://sanghyu.tistory.com/16 GMM(Gaussian Mixture Model,가우시안 혼합모델) 원리개인공부용 블로그로 이곳의 내용에 개인적..

Adaptive Prototype Learning and Allocation for Few-Shot Segmentation CVPR 2021, cited 330 프로토타입 학습은 few-shot segmentation을 위해 광범위하게 사용된다. 일반적으로 global object information을 평균화하여 support feature에서 단일 프로토타입을 얻는다. 그러나 프로토타입 1개로 모든 정보를 representing 하면 모호성을 초래할 수 있다.본 논문에서는 multiple prototype extraction 및 allocation을 위해 superpixel-guided clustering(SGC)과 guided prototype allocation(GPA)이라는 두 가지 새로운 모듈..

목적 : 이것도 AAnet Introduction 에서 existing CIL  methods로 소개했다. 빨리 읽고 12시이후부터는 코딩해봐야한다.  Mnemonics Training: Multi-Class Incremental Learning without Forgetting AbstractMulti-Class Incremental Learning(MCIL) 목표 :이전 개념에 대해 trained model을 incrementally 갱신하여 새로운 개념을 학습시키는 것inherent trade-off : Catastrophic forgetting vs learning new conceptsrepresentativeness of these examples에 크게 좌우된다. 본 논문에서는 mnemoni..

Learning a unified classifier incrementally via rebalancing리딩 이유 : AAnet의 [16]으로 읽었던 CIA 논문에서 2번이상 언급되었음. 리딩 목적 : 현존하는 CIL method 로 무엇이 어떻게 활용된 것인지 확인하고자 한다. 그래서 Abstract만 빠르게 흝는다..!  Abstract 전통적인 DNN은 사전준비된 대규모 데이터셋에 의존해 오프라인 훈련한다. 들어오는 데이터흐름을 포함한 온라인 서비스같은 real-world application에선 한계가 있다. incremental training에서 새로운 데이터에 모델을 적용하는 것은 catastrophic forgetting현상이 발생하는데, 우린 이 원인을 이전 데이터와 새로운 데이터간의 ..

https://icml.cc/Conferences/2009/papers/447.pdf 목적 : AANet의 herding이 proca의 prototype과 같은 개념인지 비교해보기 위해 잠깐 읽겠음 Astractnew Herding algorithm.observed moments(평균, 분산등의 수단) 로부터 direct하게 pseudo-sample을 생성한다. Psueudo-Samplesmoments contraints로 접근하는 방식으로 샘플생성한다. data에서 발견되는 통계적 속성을 반영한 것이다. 이러한 pseudo-samples는 data에서 직접적으로 발견안되는 quantities of interest를 추정하는데 사용된다.Sidestepping Traditional Approachdata를..

목적 : sequential invariant 한 DA  아이디어를 찾아야한다.선정 이유 : CVPR 21' cite 140; adaptave한  networks에 stable하고 xx한 block을 활용할 예정이라고 했다. experiments 전까지만 읽으면 될 것 같다. Abstract CIL목적 : class 수가 점점 증가하는 분류모델 학습문제 : high-plasticity model은 새로운 class를 학습할때 old class를 잊고 high-stability모델은 새 클래스 학습이 어려운 딜레마 해결전략 :"Adaptive Aggregation Networks"(AANets) ;residual level마다 2종류의 residual block을 가진 Resnet 기반의 네트워크;stab..

https://arxiv.org/pdf/2008.01389  Abstract기존 DA는 새로운 target domain class를 학습하는데 적합하지 않으니 CI(class-incremental)-DA라는 패러다임을 제시한다. CI방법은 source training data 없는 경우 새로운 클래스를 학습하지만 labled supervision 없이는 domain shift실패다. 이 작업에서 우리는 CI-DA 패러다임 안에서 이러한 접근 방식의 한계를 효율적으로 알아낸다. 이론/경험적 관찰을통해  우리가 제안하는 effective method는 protypical networks에 영감을 받은 것으로 domain shift 상황에서도 shared class와 novel(one-shot) target ..

목적 : incremental learning에서 겪는 이슈 해결의 아이디어를 얻을 수 있지 않을까? Abstractincremental learning에서의 new class learning에 대한 catastrophic forgetting 이슈missing old classes data 때문에 급격한 성능감소 knowledge distillation 과 keeping a few exemplars 를 통해 retain knowledge 시도 이 방법은 large number of classes로 확장하기는 어려움논문은 이 문제의 원인을 2가지로 꼽음Old/New class 간의 Data Imbalance시각적으로 유사한 클래스 수의 증가 학습데이터가 불균형한 경우 visually similar clas..

https://arxiv.org/pdf/1909.13719 Abstract요즘 augmentation 자동화 전략 좋지만 별도의 search phase로 인해 학습복잡성과 연산 비용이 크게 증가할 수 있다. 이 search phase때문에 모델과 데이터셋 크기에 따른 regularization 강도도 조절할 수 없다. auto-augmentation의 경우 주로 적은데이터로 작은모델을 학습하거나 그 데이터를 더 큰 모델에 적용했다. 제안하는 방식은 search space를 현저하게 줄여 separate proxy task없이 target task학습을 가능하게 했다. parameterization 덕분에 정규화 강도를 데이터셋에 맞게 조절할 수 있다. randaugment는 다양한 모델과 데이터셋에 맞게..