HY的博客

EWC这个算法降低重要权重的学习率，重要权重的决定权是以前任务中的重要性。

安装FCOS编译时python setup.py build develop --no-deps出错解决方法参考https://zhuanlan.zhihu.com/p/386507444

python -m torch.distributed.launch \--nproc_per_node=1 \--master_port=$((RANDOM + 10000)) \/home/hy/Github/FCOS-master/tools/train_net.py \--config-file /home/hy/Github/FCOS-master/configs/fcos/fcos_imprv_R_50_FPN_1x.yaml \DATALOADER.NUM_WORKERS 2

Abstract目的：利用知识蒸馏技术设计一种高效的端到端增量目标检测器工作：评估和分析了基于RPN（区域建议网络）的检测器在增量检测任务中的性能。引入多网络自适应蒸馏，在为新任务微调模型时适当保留旧类别的知识。在基准数据集PASCAL VOC和COCO上的实验表明，基于Faster RCNN的增量检测器的精度更高，比基线检测器快13倍。一、Introduction最先进的目标检测器的表现与人类视觉系统之间的差距仍然很大，主要问题在于会导致灾难性遗忘。为了弥补灾难性遗忘和正常完整数据集训练

Task IL中，一个agent必须增量学习执行多个不同的任务。在 MNIST数据集上，强调了回放的惊人效率和鲁棒性：仅回放少量或低质量的样本就足够了。然而，我们发现将GR扩展到更复杂的问题并不简单。为了解决这个问题，我们提出了一种新的GR变体，其中内部或隐藏的表示被重放，这些表示是由网络自身的上下文调制反馈连接生成的。Results我们重点研究了基于图像分类的持续学习问题。我们遵循 Shin等人20^{20}20提出的一般框架：除了解决任务的主要模型（即分类器），还训练了一个单独的生成模型来生成