通过层变分分析解释领域适应
通过引入一种全新的跨域潜在调制机制来实现有效迁移学习,利用源域和目标域的深度表示进行交叉调制,通过可视化的证据得到支撑,我们提出了一种基于变分自编码器框架的解决方案,并在多个迁移学习基准任务中展示了强大的表现,特别是在无监督领域适应和图像到图像翻译方面。
May, 2022
本文研究了传递学习的有效性,并发现原先认为的更多的预训练数据不一定就能提高模型性能,而是需要审慎选择预训练数据。同时,作者提出了基于目标数据集计算重要性权重的领域自适应传递学习方法,并在多个细粒度分类数据集上取得了最先进的结果。
Nov, 2018
本论文提出了一种新的深度架构领域适应方法,可通过大量源域标记数据和大量目标域未标记数据的训练而实现。在提出的方法中,深层特征在源域的主要学习任务上是有区分性的,而且对于域之间的变化具有不变性。而通过增加几个标准层和简单的梯度反转层的方法可以实现该适应行为,并且此方法在图像分类实验中表现非常出色。
Sep, 2014
本研究提供了关于计算机视觉领域中,基于深度学习的深度域适应方法的全面概述,分类不同的深度域适应情景,总结了深度域适应方法,重点分析比较了各种情况下的最先进方法,并着重强调了当前方法的潜在缺陷和未来几个方向。
Feb, 2018
本文综述了过去十年中 TAL 方法学术的进展和技术挑战,并提出了广义解决方案,包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应,以实现全面的理解和未来挑战的安全应用。
Mar, 2019
本文介绍领域自适应和迁移学习的概述,涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法,以及将领域适应与其他机器学习解决方案相关联的讨论。
Feb, 2017
本文提出了一种新的领域适应的表示学习方法,使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征,该方法增加了标准层和一个新的反向梯度层,可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。
May, 2015