Advertisement

Awesome-Incremental-Learning: 优秀的增量学习-源代码。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
一项引人注目的增量学习/终身学习民意调查图像分类中的在线连续学习研究（发表于 arXiv 2020）[] []自然语言处理领域中持续终身学习的全面调查（发表于 COLING 2020）[] []班级增量学习：一项关于其调查和绩效评估的研究（发表于 arXiv 2020）[] []视觉任务中类增量学习算法的综合分析（神经网络）[] []关于持续学习的深入调查：在分类任务中规避信息遗忘（发表于 TPAMI 2021） [ ] 神经网络在持续终身学习方面的回顾（神经网络）[论文] 文件 2021年区分性和生成性持续学习有效特征转换的探讨（CVPR，2021年）[论文] 利用不断提升的分类器进行少量增量式学习（CVPR，2021年）[论文] 基于校正方法的持续学习知识保留研究（CVPR，2021年）[论文] DER：用于班级增量学习的动态可扩展表示方法（CVPR，2021 ）[论文] 彩虹记忆：通过多种样本记忆机制来实现持续学习。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Incremental-Learning-Awesome: 精彩的增量学习-源码
    优质
    Incremental-Learning-Awesome 是一个汇集了各种优秀的增量学习项目的GitHub代码库。这里提供了丰富的资源和案例供开发者参考，帮助他们更好地理解和实现增量学习算法。 很棒的增量学习/终身学习民意调查图像分类中的在线连续学习：一项实证调查（arXiv 2020） 自然语言处理中的持续终身学习：一项调查（COLING 2020） 班级增量学习：调查和绩效评估（arXiv 2020） 视觉任务的类增量学习算法的综合研究（神经网络） 持续学习调查：在分类任务中避免遗忘（TPAMI 2021） 神经网络的持续终身学习：回顾（神经网络） 区分性和生成性持续学习的有效特征转换（CVPR，2021年） 少量增量式学习借助不断发展的分类器（CVPR，2021年） 基于矫正的持续学习知识保留（CVPR，2021年） DER：用于班级增量学习的动态可扩展表示形式（CVPR 2021） 彩虹记忆：通过多种样本记忆进行持续学习
     
  • KSVD-MATLAB代码-INcremental-LC-KSVD：增量LC-KSVD算法
    优质
    本项目提供了MATLAB实现的增量LC-KSVD算法代码，适用于信号处理与数据压缩领域。通过逐步更新词典，该方法优化了稀疏编码效率。 ksvd的MATLAB代码增量式LC-KSVD是基于姜卓林、林哲和拉里·戴维斯（Larry S. Davis）提出的算法，并由作者将其从MATLAB翻译成Python实现。 在Caltech101数据集上使用30个训练样本进行测试时，该算法的最佳识别率如下： - 迭代次数：0, 准确性：0.710552268244576 - 迭代次数：3, 准确性：0.7140039447731755 - 迭代次数：1, 准确性：0.7284681130834977 - 迭代次数：1, 准确性：0.7218934911242604 - 迭代次数：1, 准确性：0.7345496383957922 - 迭代次数：0, 准确性：0.735207100591716 - 迭代次数：1, 准确性：0.7355358316896778 - 迭代次数：0, 准确性：0.7373438527284681 安装步骤包括创建虚拟环境（可选）、复制settings.py模板文件、安装所需库以及建议使用Intel MKL来获得最佳性能。
     
  • 增强学习（reinforcement learning）
    优质
    增强学习是一种机器学习方法，它通过智能体与环境的交互，利用奖励信号来学习最优决策策略。这种方法模仿了人类和动物的学习过程，在不确定性和复杂环境中表现出强大的适应能力。 一本关于强化学习的优秀教材，附带代码示例，非常值得拥有！
     
  • Awesome：优秀的WebUSB应用、库及资源列表
    优质
    Awesome WebUSB 是一个全面收集和展示优秀WebUSB应用程序、开发库及相关资源的清单，致力于帮助开发者们更好地理解和利用WebUSB技术。 很棒的WebUSB应用程序、库和资源列表： - 用于访问NetMD MiniDisc设备的TypeScript库。 - 开源USB堆栈，支持带有供应商特定类别的WebUSB实现（Rust）。 - Android调试桥（ADB）协议库。 - 具有WebUSB支持的Arduino软件串行库的一个分支版本。 应用领域： - 使用官方Android为您的设备构建Flash工具。 - 在ErgoDox键盘上配置布局代码，并将其上传到FiriaLabs教育设备。 - GrapheneOS Web安装，这是一个基于Android的安全加固且注重隐私的操作系统。 - MakeCode：用于多个设备的计算机科学教育开发环境。 - AdaFruit电路游乐场拱廊、英国广播公司micro:bit和NumWorks Workshop等项目。
     
  • Qiskit-Machine-Learning：量子机器学习源码
    优质
    Qiskit-Machine-Learning 是一个开源库，致力于将量子计算与经典机器学习技术相结合，提供一系列基于Qiskit的量子机器学习算法和模型。 Qiskit机器学习包目前仅包含样本数据集，并提供了一些分类算法如QSVM（量子支持向量机）和VQC（可变量子分类器），这些可用于实验研究，此外还有用于生成对抗网络的QGAN算法。 安装方法推荐使用pip工具进行。在命令行中输入 `pip install qiskit-machine-learning` 即可通过该方式自动处理所有依赖项，并确保您获得最新且经过良好测试的版本。如果希望尝试开发中的新功能或为机器学习项目贡献代码，可以考虑从源代码直接安装。 对于使用PyTorch进行神经网络操作的需求，可以通过在命令行中输入 `pip install qiskit-machine-learning[torch]` 来安装相关软件包。这将自动配置所需的PyTorch环境以支持进一步的开发工作。
     
  • MP-DQN: 学习的源代码-Source Code Learning
    优质
    MP-DQN是一种创新的人工智能算法，专注于从头开始学习和理解计算机程序的结构与逻辑。该方法通过深度强化学习技术解析并生成源代码，为自动编程领域开辟了新路径。 多通道深度Q网络的存储库包含几种强化学习算法：P-DQN, MP-DQN, SP-DQN, PA-DDPG 和 Q-PAMDP。MP-DQN 通过使用多次遍历（并行批处理）将动作参数输入分配给Q网络，解决了P-DQN中的过度参数化问题。拆分深度Q网络 (SP-DQN) 是一种较慢的解决方案，它利用多个具有/不具有共享特征提取层的 Q 网络。此外还为 P-DQN 提供了加权索引的动作参数损失函数。 依存关系： - Python 3.5+（已通过3.5和3.6测试） - Pytorch 0.4.1（1.0+应该可以使用，但速度会慢一些） - Gym 0.10.5 实验脚本可以在以下域上运行每种算法： - 平台 - 机器人足球进球 - 半场进攻 安装上述 OpenAI Gym 环境的最简单方法是通过 pip。
     
  • 优秀的谷歌截图插件：Awesome Screenshot
    优质
    Awesome Screenshot是一款功能强大的谷歌浏览器扩展程序，它支持快速截屏、编辑和分享网页区域或整个页面。这款插件为用户提供了便捷高效的截图解决方案。 谷歌截图插件Awesome Screenshot是一款非常实用的工具，它允许用户轻松地截取网页屏幕并添加注释、高亮显示重要部分或直接编辑图片。此外，该插件还支持快速共享截图到社交媒体或其他平台，并可以直接将文件保存至云端存储服务中。
     
  • 基于MATLAB的SVM增量学习自适应及优化代码
    优质
    本项目基于MATLAB开发，实现支持向量机(SVM)的增量学习与自适应优化算法，适用于模型训练效率和精度要求高的场景。 本段落基于支持向量机的自适应与优化进行研究，并参考了Diehl 和Cauwenberghs于2003年发表的文章《SVM Incremental Learning Adaptation and Optimization》以及相关的源代码，对相关技术进行了深入探讨和实践应用。
     
  • 基于MATLAB的彩色补偿代码 - Awesome Underwater Image Enhancement: 一系列优秀的水下图像增强技术
    优质
    本项目提供了一系列使用MATLAB编写的彩色补偿代码，旨在优化和增强水下拍摄的图像质量，是Awesome Underwater Image Enhancement计划的一部分。 彩色补偿的MATLAB代码在水下图像增强领域表现出色。李玉峰与黄玉峰维护了一个包含优秀水下图像增强方法、论文及数据集的集合。 ### 相关工作 #### 数据集 - U45 - EUVP - DUIE - UIEB - UWCNN - 涡轮 - UW-imagenet - MHL牙买加领域 #### 论文 Marques等人于2020年提出的L2UWE框架，该方法利用局部对比度和多尺度融合有效增强弱光水下图像。 Zhou等基于物理模型反馈的水下图像领域自适应对抗学习。 Islam等人提出了一种快速水下图像增强功能以改善视觉感知。 Anwar等人于2019年发表的一篇综述，深入探讨了水下图像增强技术的研究进展。 Li等人介绍了水下图像增强基准数据集及其他相关工作。 Roznere等人的研究涉及基于模型的实时图像色彩校正，适用于水下机器人系统。 Jamadandi等人提出了一种通过小波变换进行样例学习以改善水下图像的技术。 这些文献和资源为研究人员提供了宝贵的信息与工具，帮助推进了该领域的技术进步和发展。
     
  • 基于Matlab的小波变换图像去噪代码 - Awesome-restoration: 优秀的恢复
    优质
    Awesome-restoration项目提供了一套基于Matlab实现的小波变换算法，专注于图像去噪处理。该工具通过小波变换技术有效去除图像噪声，同时保留重要细节信息，适用于各类受损图像的修复和增强工作。 图像小波变换去噪的MATLAB代码在相关领域内得到了很好的应用与推广。以下是部分相关的学术出版物： - 2019年ICLR：4篇论文提及了该技术。 - 2019年arXiv：有1篇文章讨论了这一主题。 - 2018年的文献中，心肺复苏术领域共有56篇相关文章（其中包括多个不同的编号和版本）；自然杂志发表了183篇文章；NIPS会议上有22篇论文涉及该技术；ICPR会议上也有2个关于此话题的报告。此外，在arXiv上还发布了7篇相关的预印本。 - 2017年的文献中，心肺复苏术领域共有47篇相关文章（其中包括多个不同的编号和版本）；NIPS会议上有1篇文章涉及该技术；国际CCV会议上也有46个关于此话题的报告。此外，在arXiv上还发布了14篇相关的预印本。 - 2016年的文献中，有少量提及图像小波变换去噪的研究成果。 这些出版物展示了近年来学术界对利用MATLAB进行图像处理和信号分析的兴趣与进展。