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
………………………………