الرئيسية الأخبار أحدث الأوراق البحثية الدروس مجموعات البيانات الموسوعة SOTA نماذج LLM لوحة الأداء GPU الفعاليات

العربية

Continual Learning

المنهجية تشير إلى الطرق والخطوات المنهجية التي يتم اعتمادها في البحث أو حل المشكلات. هدفها هو ضمان دقة وموثوقية البحث من خلال عملية علمية ومعتمدة، مما يعزز كفاءة وجودة حل المشكلات. في مختلف المجالات، تكون قيمة تطبيق المنهجية بارزة بشكل خاص؛ فهي لا تساعد الباحثين فقط على توضيح اتجاهاتهم البحثية، بل توفر أيضًا دليلًا تشغيليًا معياريًا لتنفيذ المشاريع، مما يشجع التعاون بين التخصصات ومشاركة النتائج.

20Newsgroup (10 tasks)

5-dataset - 1 epoch

CIFAR-100 AlexNet - 300 Epoch

CIFAR-100 ResNet-18 - 300 Epochs

Cifar100 (10 tasks)

Cifar100 (20 tasks)

Model Zoo-Continual

Cifar100 (20 tasks) - 1 epoch

Coarse-CIFAR100

Model Zoo-Continual

CUB-200-2011 (20 tasks) - 1 epoch

CUBS (Fine-grained 6 Tasks)

CondConvContinual

F-CelebA (10 tasks)

CAT (CNN backbone)

Flowers (Fine-grained 6 Tasks)

CondConvContinual

ImageNet-50 (5 tasks)

ImageNet (Fine-grained 6 Tasks)

CondConvContinual

mini-Imagenet (20 tasks) - 1 epoch

MiniImageNet ResNet-18 - 300 Epochs

Model Zoo-Continual

Sketch (Fine-grained 6 Tasks)

Split CIFAR-10 (5 tasks)

split CIFAR-100

Split MNIST (5 tasks)

Stanford Cars (Fine-grained 6 Tasks)

Tiny-ImageNet (10tasks)

TinyImageNet ResNet-18 - 300 Epochs

visual domain decathlon (10 tasks)

Wikiart (Fine-grained 6 Tasks)