IJCAIAug, 2019

渐进式迁移学习

PDF
TL;DR本研究提出了一种基于 Batch-related Convolutional Cell (BConv-Cell) 的 Progressive Transfer Learning (PTL) 方法，通过收集数据集的全局信息，优化预训练的 ReID 模型，显著提高 MSMT17、Market-1501、CUHK03 和 DukeMTMC-reID 数据集上的性能和一般图像分类基准模型的性能。
model fine-tuningtransfer learningbatch-related convolutional cellprogressive transfer learningre-identification
发现论文，激发创造
  • 无监督人员重新识别：聚类和微调

    本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

    May, 2017

  • 一种用于最小化功夫迁移学习的灵活选择方案

    本文提出了一种新的、称为弹性调整的 fine-tuning 方式，可以用于处理不同于预训练源的、但与其语义相近的实际数据。通过实验证明，相较于传统做法，在许多领域转移情况中调整中间或早期单元的效果更好。

    Aug, 2020

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016

  • 如何以迁移学习方式进行迁移

    本文探讨了深度学习中的迁移学习的效果与代价，结果提供了关于使用迁移学习的指南。

    Nov, 2022

  • 学习渐进式多模态共享的转换器以实现有效的可见 - 红外人员重识别

    本文提出了一种名为 PMT 的深度学习框架，它采用渐进式共享模态转换器来解决 VI-ReID 任务中复杂的模态变化问题，并对模态共享特征进行可靠度和共性分析；同时提出了一种 Discriminative Center Loss (DCL)，结合 Modality-Shared Enhancement Loss (MSEL) 来缓解大内部差异和小类间差异问题，从而更好地区分共享特征，该框架在 SYSU-MM01 和 RegDB 数据集上的表现优于现有的大多数最新状态 - of-the-art 方法。

    Dec, 2022

  • 可解释且具有泛化性的人员重新识别方法：使用查询自适应卷积和时序上升法

    研究如何直接在深度特征图中设计局部对应，并构建查询自适应卷积核以实现局部匹配，通过构建类内存模块进一步简化训练，获得比流行学习方法更好的结果，提出了一种无模型的基于临时共存的打分权重方法 TLift，并在跨数据集的人物复识别中取得了最先进的结果。

    Apr, 2019

  • 利用虚拟图像进行训练的渐进式变换学习

    通过基于无人飞行器图像的大规模数据集，采用逐渐增加虚拟图像的现实感的渐进式变换学习方法，通过 multivariate Gaussian distribution 建模来准确计算对象探测器中虚拟对象与高斯分布之间的马氏距离，以此减小牺牲精度的条件 GAN 框架在大间隔域条件下近似度的失真，从而提高在小数据和交叉域中的性能。

    Nov, 2022

  • 缓解连续微调中的表征漂移

    本文提出了一种包含两个组件（交叉卷积批量规范化和分层微调）的微调方法 ConFiT，旨在解决表示转移和批量规范化不一致的问题，并在四个数据集上得到了较低存储开销的优异性能表现。

    Apr, 2022

  • DTL：用于视觉识别的解耦式迁移学习

    通过提出深度解耦迁移学习（DTL），我们可以减少大量的 GPU 内存使用和可训练参数，并在准确性上显著超过现有的 PETL 方法，在几个标准基准上达到了新的最先进水平。

    Dec, 2023

  • SpotTune: 自适应微调的迁移学习

    本文提出了一种自适应微调方法 SpotTune，使用策略网络根据目标任务的数据实例来选择微调层或预训练层，实验证明该方法在计算机视觉中的迁移学习应用中优于传统的微调方法，并在 Visual Decathlon 数据集中表现优异。

    Nov, 2018