关键词cross-domain transfer learning
搜索结果 - 5
- 跨领域和跨维度的图像到图形转换学习
直接从图像到图表的转换是一项具有挑战性的任务，这一任务要在单个模型中解决对象检测和关系预测。本文提出了一套方法，使得图像到图表转换器能够进行跨领域和跨维度的迁移学习，并通过将模型在 2D 卫星图像上进行预训练，应用于大不相同的 2D 和 3 - 多任务自监督时间序列表示学习
本文提出了一种新的时间序列表示学习方法，通过自监督任务的上下文、时间和转换一致性，结合不确定性加权方法，实现了多任务学习和跨领域传递学习，进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。
- 软提示引导的跨领域情感分析联合学习
本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。
- M2M-GAN：基于生成式对抗迁移学习的人员再识别算法
针对多相机场景下的行人再识别问题，本文提出了一种考虑多个子域之间映射关系的多对多生成对抗迁移学习方法 (M2M-GAN)，该方法首先进行图像风格的转换，然后应用转换后的图像和源域的注释信息进行监督学习，实验结果表明 M2M-GAN 方法具有 - 利用蒸馏调整模型以适应信号退化
本文研究了如何通过计算机图形渲染技术生成合成数据来进行知识蒸馏和领域适应，从而提高低分辨率图像、非定位对象和线条绘图等领域的识别性能，并通过可视化方法解释该技术的工作原理及其与现有文献的关联。