作者：Andrés Villa, Juan León Alcázar, Motasem Alfarra,等

简介：本文研究视频数据的持续学习问题。由于数据可用性、存储配额、隐私法规和昂贵的注释过程，让最新的机器学习pipeline受到限制。这些限制使得维护在不断增长的注释集上训练的大规模模型：变得困难或不可能。持续学习直接解决了这个问题，其最终目标是设计一种方法，使神经网络有效地学习新（未见）类的相关模式，而不会显着改变其在先前学习的模式上的表现。作者提出了 PIVOT：一种利用图像域中预训练模型的广泛知识的新方法，从而减少了可训练参数的数量和相关的遗忘。不同于以往的方法，作者的方法是第一种有效使用Prompt提示机制进行持续学习而无需任何域内预训练的方法。作者的实验表明：PIVOT 在 ActivityNet的Task 20任务上将SOTA方法提高了 27%。

论文下载：https://arxiv.org/pdf/2212.04842.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除