古いクラスの以前の知識を忘れることなく、新しいデータから新しいクラスを継続的に学習することは、非常に困難な研究課題です。さらに、そのような学習は特定のメモリを尊重する必要があり、(i)トレーニングサンプルはクラスごとに数個に制限され、(ii)新しいクラスを学習するための計算コストは一定のままであり、(iii)モデルのメモリフットプリントは、観察されたクラスの数に応じて最大で直線的に増加します。上記の制約を満たすために、C-FSCILを提案します。これは、凍結されたメタ学習された特徴抽出器、トレーニング可能な固定サイズの完全に接続されたレイヤー、および遭遇した数と同じ数のベクトルを格納する書き換え可能な動的に成長するメモリで構成されています。クラス。 C-FSCILは、新しいクラスを学習する際の精度と計算メモリコストの間のトレードオフを提供する3つの更新モードを提供します。 C-FSCILは
A Novel Framework to Jointly Compress and Index Remote Sensing Images for Efficient Content-Based Retrieval リモートセンシング(RS)イメージは通常、アーカイブのストレージサイズを縮小するために、圧縮形式で保存されます。したがって、RSの既存のコンテンツベースの画像検索(CBIR)システムでは、CBIRを適用する前に画像をデコードする必要があります(大規模なCBIR問題の場合は計算量が多くなります)。この問題に対処するために、この論文では、RS画像の圧縮とインデックス作成を同時に学習し、CBIRを適用する前にRS画像をデコードする必要をなくす共同フレームワークを紹介します。提案されたフレームワークは、2つのモジュールで構成されています。最初のモジュールは、RS画像を効果的に圧縮するこ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く