Adversarial-Continual-Learning:在PyTorch中实施“专业继续学习”论文

对抗式持续学习 这是ECCV 2020的官方PyTorch实施。 。 抽象的 持续学习旨在学习新任务，而不会忘记先前学习的任务。 我们假设学习用来解决序列中的每个任务的表示形式具有共享的结构，同时包含一些特定于任务的属性。 我们证明了共享功能明显不容易被遗忘，并提出了一种新颖的混合持续学习框架，该框架学习了解决任务序列所需的任务不变和特定于任务的特征的不相交表示。 我们的模型结合了架构的增长（以防止忘记特定于任务的技能）和经验重播方法来保留共享的技能。 我们证明了混合方法在避免遗忘方面是有效的，并且在图像分类中的单个数据集以及多个数据集序列的类增量学习方面，它优于基于架构和基于内存的方法。 作者： （ （加州大学伯克利分校，），（博览会），（会展），（加州大学伯克利分校），（会展） 引文 如果使用此代码，部分代码或开发内容，请引用我们的论文： @article{ebrahimi202