Apprentissage incrémentiel
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 - 50 classes + 5 steps of 10 classes
PODNet (CNN)
CIFAR-100 - 50 classes + 10 steps of 5 classes
DER(Standard ResNet-18)
ImageNet100 - 10 steps
DER w/o Pruning
ImageNet - 10 steps
CIFAR-100-B0(5steps of 20 classes)
CIFAR-100 - 50 classes + 25 steps of 2 classes
RMM (Modified ResNet-32)
CIFAR100-B0(10steps of 10 classes)
ImageNet-100 - 50 classes + 10 steps of 5 classes
RMM (ResNet-18)
ImageNet-100 - 50 classes + 5 steps of 10 classes
RMM (ResNet-18)
CIFAR-100 - 50 classes + 2 steps of 25 classes
TCIL
CIFAR100B020Step(5ClassesPerStep)
ImageNet - 500 classes + 5 steps of 100 classes
RMM (ResNet-18)
ImageNet - 500 classes + 10 steps of 50 classes
PODNet
ImageNet-100 - 50 classes + 25 steps of 2 classes
CIFAR-100 - 50 classes + 50 steps of 1 class
PODNet
ImageNet-100 - 50 classes + 50 steps of 1 class
PODNet
CIFAR-100 - 40 classes + 60 steps of 1 class (Exemplar-free)
FeTrIL
CIFAR100B050S(2ClassesPerStep)
DER(ResNet-18)
ImageNet-10k - 5225 classes + 5 steps of 1045 classes
PPCA-CLIP
ImageNet - 500 classes + 25 steps of 20 classes
RMM (ResNet-18)
ImageNet100 - 20 steps
FOSTER
MLT17
MRM