"端到端增量学习解决方案" 本文旨在解决深度学习中的灾难性遗忘问题，即当使用增量添加新类进行训练时，整体性能急剧下降的问题。我们提出了一个端到端的增量学习方法，使用新数据和与旧类样本对应的小样本集，基于蒸馏措施和交叉熵损失来学习新类。我们的方法可以在保持整个框架端到端的同时实现联合学习数据表示和分类器，不像最近的方法没有这样的保证。 我们的方法可以解决在现实世界应用中的主要挑战之一，即增量地学习分类器，其中不断地学习新的类。例如，人脸识别系统必须处理新面孔以识别新人。这项任务需要在不必重新学习已经学习的面孔的情况下完成。我们的方法可以满足真正的增量学习者的所有特征，如从数据流中接受训练的能力、在划分新旧班级方面表现良好、模型的合理参数数目及内存要求、端到端学习机制等。 我们在CIFAR-100和ImageNet（ILSVRC 2012）图像分类数据集上广泛评估了我们的方法，并显示了最先进的结果。我们的方法可以应用于任何深度学习架构，并且可以用我们的代表性存储器组件来实现，该组件类似于用于维护与旧类对应的一小组样本的示例集。 我们的主要贡献是解决了当前深度学习方法在增量学习中的挑战，我们提出的端到端的方法专门为增量学习设计，能够满足真正的增量学习者的所有特征。我们的方法可以用任何深度学习架构实现，并且可以在保持整个框架端到端的同时实现联合学习数据表示和分类器。 在我们的方法中，我们使用蒸馏措施来保留从旧类获得的知识，并使用交叉熵损失来学习新类。我们的方法可以在不必重新学习已经学习的面孔的情况下，学习新的类别，并且可以满足真正的增量学习者的所有特征。 我们的方法可以应用于图像分类、人脸识别、目标检测等领域，并且可以满足真正的增量学习者的所有特征。我们的方法可以解决当前深度学习方法在增量学习中的挑战，并且可以满足实际应用中的需求。 我们的端到端增量学习解决方案可以解决当前深度学习方法在增量学习中的挑战，并且可以满足实际应用中的需求。我们的方法可以应用于任何深度学习架构，并且可以满足真正的增量学习者的所有特征。 在本文中，我们也对相关工作进行了总结和讨论，包括传统方法和深度学习框架学习特征的方法。我们也对我们的方法进行了详细的分析和讨论，并且对其在图像分类任务中的应用进行了评估。 我们的端到端增量学习解决方案可以解决当前深度学习方法在增量学习中的挑战，并且可以满足实际应用中的需求。我们的方法可以应用于任何深度学习架构，并且可以满足真正的增量学习者的所有特征。

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点，提出了一种基于贝叶斯分类器集成的增量学习方法．综合朴素贝叶斯的增量分类和集成的增量学习方法，采用随机属性选择训练初始 SBC(simple Bayesian classifiers)，通过判断是否带有类别标签，将增量样本自动分组，并利用遗传算法对结果进行优化．实验结果表明，贝叶斯分类器集成的增量学习方法有效．

拣货路径优化matlab代码持续/终身/增量学习 请随时提出请求或打开问题以添加论文。 快速链接： 苏维 （推荐阅读） 重放方法 2021年 标题 场地 代码 —— —— —— 2020年 标题 场地 代码 ICML —— 统计局 —— 神经网络信息系统 神经网络信息系统 神经网络信息系统 神经网络信息系统 —— - 稍后检查 CVPR —— 神经网络信息系统 2019年 标题 场地 代码 神经网络信息系统 —— 神经网络信息系统 —— 神经网络信息系统 神经网络信息系统 神经网络信息系统 集成电路LR ICCV 集成电路LR CVPR ICML-w —— ICML-w 集成电路LR ICCV —— 2018年 标题 场地 代码 2017 年及之前 标题 场地 代码 神经网络信息系统 神经网络信息系统 CVPR 正则化方法 2021年 标题 场地 代码 ICLR（审查中） 集成电路LR —— 2020年 标题 场地 代码 国际劳工大会 —— 神经网络信息系统 —— 集成电路LR —— 2019年 标题 场地 代码 神经网络信息系统 CVPR —— ICCV CVPR 集成电路LR 20

包含自组织增量学习的各种版本的文档，但代码只有一个版本的，是matlab版本的，可用于学习参考，文档中包含一种中文文献的综述，其余的都是英文版资料。

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）[论文] 文件 2021年 区分性和生成性持续学习的有效特征转换（ CVPR，2021年）[论文] 借助不断发展的分类器进行少量增量式学习（ CVPR，2021年）[论文] 基于矫正的持续学习知识保留（ CVPR，2021年）[论文] DER：用于班级增量学习的动态可扩展表示形式（ CVPR，2021 ）[论文] 彩虹记忆：通过多种样本记忆进行持续学习（

基于机器学习的智能孤岛检测方法能有效地提高防孤岛保护的性能，但现有方法皆采用离线学习方案，对配电网因运行条件变化而导致的概念漂移现象缺乏自适应性。提出了一种具有在线增量学习能力的孤岛检测方法。首先，提出利用保护自采数据以及数据采集与监视控制(SCADA)系统采集的开关状态构成原始样本，并基于增量聚类方法进行样本筛选，实现有效样本的在线积累；然后，以各子样本集对系统最新状况的分类性能作为竞争准则，提出了一种样本集的优选方法，并利用加权支持向量机完成了增量学习。仿真结果表明，所提方法能够自主探测概念漂移的发生并进行持续的学习，有效地提高了孤岛检测的准确性和自适应性。

一种改进的神经网络增量学习算法.caj，仅供参考啊啊啊

提供了完整的增量式支持向量机的matlab原代码程序，便于大家下载学习

cifar100(20个任务)测试结果