Incremental Learning
L'apprentissage incrémental vise à développer des systèmes d'intelligence artificielle capables d'apprendre continuellement de nouvelles données pour aborder de nouvelles tâches tout en conservant les connaissances acquises lors des tâches précédentes. Cette approche permet de mettre à jour constamment le modèle, lui permettant ainsi de s'adapter à de nouveaux environnements sans oublier les connaissances antérieures, ce qui améliore l'adaptabilité et l'efficacité à long terme du système, offrant une valeur d'application considérable.
CIFAR-100 - 40 classes + 60 steps of 1 class (Exemplar-free)
FeTrIL
CIFAR-100 - 50 classes + 10 steps of 5 classes
DER(Standard ResNet-18)
CIFAR-100 - 50 classes + 2 steps of 25 classes
TCIL
CIFAR-100 - 50 classes + 25 steps of 2 classes
RMM (Modified ResNet-32)
CIFAR-100 - 50 classes + 5 steps of 10 classes
PPCA-SWSL
CIFAR-100 - 50 classes + 50 steps of 1 class
PODNet
CIFAR-100-B0(5steps of 20 classes)
CIFAR100-B0(10steps of 10 classes)
CIFAR100B020Step(5ClassesPerStep)
CIFAR100B050S(2ClassesPerStep)
DER(ResNet-18)
ImageNet - 10 steps
ImageNet-100 - 50 classes + 10 steps of 5 classes
RMM (ResNet-18)
ImageNet-100 - 50 classes + 25 steps of 2 classes
ImageNet-100 - 50 classes + 5 steps of 10 classes
RMM (ResNet-18)
ImageNet-100 - 50 classes + 50 steps of 1 class
PODNet
ImageNet-10k - 5225 classes + 5 steps of 1045 classes
PPCA-CLIP
ImageNet - 500 classes + 10 steps of 50 classes
PODNet
ImageNet - 500 classes + 25 steps of 20 classes
RMM (ResNet-18)
ImageNet - 500 classes + 5 steps of 100 classes
RMM (ResNet-18)
ImageNet100 - 10 steps
RMM (ResNet-18)
ImageNet100 - 20 steps
FOSTER
MLT17
MRM