本文介绍了一种神经网络结构 —— 附带残差网络,其可灵活地维护域间的相似性,并在必要时模拟区别。实验证明,该方法比现有最先进的方法具有更高的准确性且不会过于复杂。
Nov, 2017
本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法,从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。
Jul, 2023
该论文介绍了一种利用适配器残模块进行数据表示学习的深度网络架构,该网络能够被灵活地指引至不同的视觉领域中,实现了高度的参数共享并保持或提高了特定领域表示的准确性。同时,该论文还提出了 Visual Decathlon Challenge 基准评测系统,用于同时评估表征的能力并测量其识别不同领域的能力。
May, 2017
该研究介绍了一种新颖的神经网络模型,使用多任务学习来提高光学字符识别(OCR)的效率和泛化能力,并通过有效降低训练参数数量来保持高准确性,以适应新领域,提供领域特定性能改进而无需重新训练。该模型在开放数据集上经过严格评估,证实了其作为可扩展和适应性解决方案的潜力,在计算机视觉领域,尤其是光学文本识别应用中具有重要的意义。
Jan, 2024
本文提出了一种增量学习方法,基于 Tucker 分解来跨领域学习和任务学习,不会产生灾难性遗忘,此方法在 Visual Decathlon Challenge 的 10 个数据集上展现出了紧凑表示的效果和与其他方法相当的性能。
Apr, 2019
提出了一种名为 Deep Adaptation Networks 的方法,通过在现有神经网络中添加线性组合的新滤波器来实现学习新技能,而不影响已经学习的性能,以及在各种图像分类任务中表现出良好的效果。
本文提出了一种新的深度自适应网络 (DAN) 结构,它将多个领域的分布嵌入到再生核 Hilbert 空间中,并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征,并通过核嵌入的无偏估计来实现线性扩展。实验证据表明,所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。
Feb, 2015
该论文提出了一种直接在少量支持集上学习任务特定权重的方法,通过使用残差连接和矩阵形式的参数适配器,能够显著提高最先进的 Meta-Dataset 基准模型的性能。
Jul, 2021
本研究提出了利用深度神经网络的多源域泛化技术,通过引入特定于各个领域的优化归一化层。在每个域中,根据多个归一化统计的加权平均值对激活值进行归一化处理。并且在实现中使用批和实例归一化,以确定这两种归一化方法的最佳组合,优化学习模型的通用性。本方法在标准域泛化基准测试中展示了当前最高的准确率,同时适用于诸如多源领域适应和带有标签噪声的域泛化等进一步的任务。
Jul, 2019
本文介绍了通过适配器和居中核对齐等方法,利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示,通过距离学习方法来有效适应之前未见过的领域,并在 Meta-Dataset 基准测试中取得显著的性能提升。
Mar, 2021