【NTU博士论文】直推迁移学习的视觉识别，190页pdf

文章预览

近年来，深度神经网络（DNNs）在多种计算机视觉任务中取得了巨大进步，如图像分类、对象检测、语义分割等 。然而，DNNs的重大成功是以大量密集标记的训练图像为代价的，这些训练图像的建立极其昂贵且耗时。一种绕开这种限制的方法是利用现有相关数据集（称为“源域”）中的已标注图像进行网络训练。不幸的是，在源域上训练的DNNs在应用于“目标域”时往往会因为分布不匹配而导致性能急剧下降。在这种情况下，域间的迁移学习（或称知识迁移）是可取且必要的。 在本论文中，我们探讨了用于视觉识别的转导性迁移学习，其中标记的源域数据和未标记的目标域数据的数据分布不同，而源任务和目标任务是相同的 。更具体地，我们调查了三种代表性的转导性迁移学习类型，包括域泛化、无监督域适应和无源无监督域适应。 在域泛化中，给 ………………………………