MARC

 008250123s2024        us                              c    eng  d
■001000017164670
■00520250211153029
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346857150
■035    ▼a(MiAaPQ)AAI31635263
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aLiang,  Mingfu.
■24510▼aContinual  Visual  Learning  for  Visual  Understanding
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a198  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Wu,  Ying.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aVisual  understanding  systems  have  achieved  remarkable  success  across  various  computer  vision  tasks,  yet  their  deployment  in  real-world  scenarios  reveals  a  critical  limitation:  the  inability  to  evolve  and  adapt  to  the  dynamic  nature  of  visual  concepts.  While  traditional  machine  learning  assumes  a  static  world  where  all  variations  of  visual  concepts  can  be  captured  during  initial  training,  real-world  applications  demand  continuous  adaptation  to  emerging  visual  concepts  at  different  granularities.Despite  the  growing  interest  in  continual  learning,  research  prior  to  2020  primarily  focused  on  simple  image  classification  tasks,  leaving  the  unique  challenges  of  various  computer  vision  tasks  largely  unexplored.  This  dissertation  addresses  this  gap  by  introducing  a  comprehensive  framework  for  continual  visual  learning,  defined  as  the  systematic  process  of  evolving  a  visual  understanding  system's  capabilities  across  multiple  granularities  of  visual  concept  evolution.  This  evolution  encompasses  three  dimensions:  intra-category  adaptation  to  novel  subpopulations,  enhanced  fine-grained  semantic  understanding  of  known  objects,  and  incorporation  of  entirely  new  visual  concepts,  all  while  operating  under  real-world  constraints.We  present  three  pioneering  works  that  advance  the  field  of  continual  visual  learning.  First,  we  address  the  subpopulation  shifting  problem  through  incremental  subpopulation  learning,  proposing  a  novel  method  that  enables  aggressive  learning  of  new  subpopulations  while  mitigating  catastrophic  forgetting  of  seen  ones.  Second,  we  tackle  the  challenge  of  incremental  object  keypoint  estimation,  developing  a  specialized  framework  that  allows  models  to  learn  novel  keypoints  without  access  to  previously  trained  data  while  improving  the  detection  of  existing  keypoints.  Finally,  we  extend  beyond  conventional  continual  learning  paradigms  by  introducing  an  automatic  self-improved  data  engine  for  object  detection  in  autonomous  driving,  which  autonomously  identifies  learning  targets,  curates  relevant  data,  auto-labeling  and  continual  learning  with  the  noisy  label,  and  validates  model  improvements,  all  powered  by  vision-language  models  and  large  language  models.These  contributions  not  only  advance  the  theoretical  foundations  of  continual  learning  but  also  address  practical  challenges  in  deploying  adaptive  visual  understanding  systems.  Our  work  demonstrates  the  importance  of  task-specific  considerations  in  continual  learning  and  establishes  a  framework  for  building  self-evolving  computer  vision  systems  that  can  autonomously  adapt  to  the  dynamic  nature  of  real-world  visual  understanding  tasks.
■590    ▼aSchool  code:  0163.
■650  4▼aElectrical  engineering
■650  4▼aComputer  science
■653    ▼aAutomatic  self-improve  data  engine
■653    ▼aAutonomous  driving
■653    ▼aContinual  learning
■653    ▼aContinual  visual  learning
■653    ▼aIncremental  subpopulation  learning
■690    ▼a0544
■690    ▼a0984
■71020▼aNorthwestern  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164670▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books