고정 분포 가정의 한계
일반적인 대규모 시각 자료는 고정된 과제와 분포를 전제하는 경우가 있다. 로봇은 환경이 계속 바뀌는 상황에서도 작동해야 하므로 지속적인 시각 적응을 평가할 자료가 필요하다.
로봇 환경의 자료 수집
RGB-D 카메라로 수집해 현실 응용에서 마주칠 어려움을 반영하는 객체 인식 자료를 구성했다. 새 과제가 나타날 때마다 전체 모델을 재학습하는 부담을 줄이는 연구를 위한 벤치마크다.
여러 지속 학습 방법의 비교
초기 연구는 아홉 지속 학습 알고리즘의 시험 체계를 제공했다. 각각 48개 과제와 네 평가 지표를 사용해 변화하는 난도 조건을 비교했다.
전이 능력의 분석
평가는 단순한 객체 인식 정확도 외에 순방향과 역방향 전이 설계의 병목을 다뤘다. 과거 정보를 유지하면서 새로운 환경을 배우는 능력을 함께 살피는 자료다.
관련 문서
CORe50 / 잠재 재생 / REMIND 지속 학습 / GEM 지속 학습 / A-GEM / Memory Aware Synapses