该论文介绍了深度迁移学习的定义和分类方式,探讨了近五年来应用的技术,并研究了实验分析结果,讨论了深度迁移学习方法的限制以及对应的解决方案和研究趋势。其中包括在 Covid-19 检测和边缘设备上应用深度迁移学习可以降低训练成本和增加精度的优势。
Jan, 2022
本文提出了一种 Easy Transfer Learning (EasyTL) 方法,通过利用域内结构学习非参数传输特征和分类器,而无需任何模型选择和超参数调整,实现了分类精度的可比较或更好的性能和更好的计算效率。
Apr, 2019
通过综述现有的研究进展,本文讨论了在安全领域中应用迁移学习技术存在的研究空白以及潜在的未来研究方向和迁移学习辅助安全解决方案中出现的问题。
Mar, 2024
本文提出一种基于知识迁移和神经网络的方法,使得在新领域中,能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务,并且在特征空间约束和映射网络方面提出了一些策略,从而在合成到真实的语境下,利用单目深度估计和语义分割任务之间的知识迁移,获取了令人满意的结果。
Jan, 2023
通过对几个医学图像基准数据集的一系列实验,我们探讨了迁移学习、数据大小、模型能力和归纳偏差以及源域与目标域之间的距离之间的关系,并发现特征重用在其中扮演着重要的角色。
Mar, 2022
本文通过对多种不同的图像领域和任务类型进行超过 2000 个转移学习实验,并系统地分析其对转移学习性能的影响,得出了以下几点结论:(1)对于大多数任务,存在一种源任务显著优于 ILSVRC'12 预训练;(2)图像领域是实现积极转移的最重要因素;(3)源数据集应包括目标数据集的图像领域以获得最佳结果;(4)同时,当源任务的图像领域比目标任务的图像领域范围更广时,我们观察到的负面影响很小;(5)跨任务类型的转移可能会有益,但其成功与源任务和目标任务类型密切相关。
Mar, 2021
通过对块状图像的转换,本文分析了迁移学习的不同作用,提供了新的工具和分析方法,并阐述了模型在相同损失空间下的相似之处。
Aug, 2020
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
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。
本文研究了基于计算智能的迁移学习技术,将其分为基于神经网络、进化算法、群智能和模糊逻辑的迁移学习。与传统的机器学习方法相比,迁移学习方法可以更好地建模当前领域的数据模式。
Jun, 2022