深度迁移学习在图像分类上的应用综述 | BriefGPT - AI 论文速递

May, 2022

深度迁移学习在图像分类上的应用综述

Deep transfer learning for image classification: a survey

Jo Plested, Tom Gedeon

TL;DR本论文从深度迁移学习定义开始，概览了图像分类领域中当前发展情况及存在的知识空白，并提出了一种新的迁移学习应用分类法以帮助更好地理解迁移学习的成效和问题所在。

Abstract

Deep neural networks such as convolutional neural networks (CNNs) and transformers have achieved many successes in image classification in

deep transfer learning image classification convolutional neural networks transformers training data

发现论文，激发创造

深度迁移学习调查

本文综述了深度神经网络及其应用中存在的数据获取与标注问题，并介绍了基于深度迁移学习的研究，旨在通过迁移学习中提出的独立同分布假设的放宽，解决数据不足的问题。

Aug, 2018

卷积神经网络进行文本分类的迁移学习实践指南

本文探讨了深度神经网络和卷积神经网络在迁移学习中的运用，通过实验结果总结了成功迁移学习的要点和常见误区，并对超参数进行了探究。

Jan, 2018

迁移学习综述

本综述对转移学习的 40 多个代表性方法进行了系统总结，从数据和模型的角度介绍了同质转移学习的机制和策略，并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。

Nov, 2019

时间序列分类的迁移学习

本文探讨了如何将深度卷积神经网络用于时间序列分类任务，并提出了一种新的动态时间规整方法来指导迁移学习中的源数据集选择，结果表明迁移学习可以提高模型的准确性。

Nov, 2018

深度迁移学习在医学影像中的机制

本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程，并表明通过转移学习可以获得更好的性能。

Apr, 2017

自然语言处理中的迁移学习综述

本次调查主要介绍自然语言处理领域中最近迁移学习的发展和不同的迁移学习方法分类的分类学。

May, 2020

深度学习中的可迁移性研究

本文介绍深度学习中的迁移学习，包含核心原理和方法、面临的基本问题、未解决的问题以及工具库和基准测试等方面的内容。

Jan, 2022

对抗训练的深度神经网络转移更佳：以图像分类为例

本文通过研究发现，针对新领域的迁移学习中，对于只有有限数据的情况下，通过对抗训练的模型相对于非对抗训练的模型具有更好的迁移性能。同时，对抗训练可以使学习到的表示偏向于保留形状而不是纹理，这影响了源模型的可迁移性，并且使用影响函数的方法发现迁移的对抗训练模型包含更多的人类可识别的语义信息，这至少部分解释了为什么对抗训练模型更实用。

Jul, 2020

图像分类任务中视觉 Transformer 的全面研究

综述了关于视觉变换器用于图像分类的现有研究，包括图像分类数据集，视觉变换器模型的发展历程和未来研究机会。

Dec, 2023

Transformer 深度学习任务的应用综述

本文通过详细调查从 2017 至 2022 年间提出的 Transformer 模型，分析了其在自然语言处理、计算机视觉、多模态、音频和语音处理以及信号处理等领域中的应用及其对应的任务，并提供了一种分类法，以期为进一步研究及其未来的应用提供参考。

Jun, 2023