假设迁移学习,真是很有意思呢。说是源域训练好模型后,源域数据就不可获得了。来了目标域(带有少量的标签数据),花很小的努力来让模型学会鉴别目标域里的行人。而且不保证目标域里的行人是和源域里的行人是成对的。利用假设迁移学习的方法来进行将训练好的源域模型里的源域相机的知识迁移到目标摄像机中。问题是怎么迁移呢?目标相机的数据做了什么?怎么给源域相机分配最优权重的?怎么减少迁移过程中的负迁移的?还有一个问题就是搞清楚目标域带标签的数据样本是成对的还是非成对的?关键还是怎么迁移的。
源域数据在完成训练模型后就不可得了,比如隐私问题。
利用在源域已经学到得模型和目标域的非常有限的带标签的与源域相机成对的图像,来完成迁移学习。
问题1:假如说原有相机行人图像的身份总共是256,那么这256个行人的图像都需要出现在新相机下吗?
如果新相机下有大量的带标签的数据,那么对于及时性是不满足的。
凸优化问题基于假设迁移学习,最小化负迁移影响from outlier source metric。
Triplet loss 是一种非常常用的度量学习方法
Camera On-boarding for Person Re-identification using Hypothesis Transfer Learning
最新推荐文章于 2021-04-23 15:26:11 发布