![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Transfer learning
文章平均质量分 94
张博208
知识搬运工
展开
-
Understanding Domain Adaptation
Note — I assume the reader has some basic knowledge of neural network and its working.Domain adaptation is a field of computer vision, where our goal is to train a neural network on asource datasetand secure a good accuracy on thetarget datasetwhich ...转载 2021-06-16 13:15:01 · 221 阅读 · 0 评论 -
Deep Domain Adaptation In Computer Vision
During the last decade, the field of Computer vision has made huge progress. This progress is mostly due to the undeniable effectiveness of Convolutional Neural Networks (CNNs). CNNs allow for very precise predictions if trained with high-quality annota...转载 2021-03-15 11:27:04 · 446 阅读 · 0 评论 -
Domain Separation Networks
https://blog.csdn.net/weixin_37993251/article/details/91472097Abstract大规模数据收集和注释的成本常常使机器学习算法应用于新任务或数据集的成本高得令人望而却步。规避这一成本的一种方法是在自动提供注释的合成数据上训练模型。尽管这些模型很有吸引力,但它们往往无法从合成图像推广到真实图像,因此需要使用域自适应算法来操纵这些模型,然后才能成功应用。现有的方法要么侧重于将表示从一个域映射到另一个域,要么侧重于学习提取与提取域不变的特性。然而,转载 2020-08-24 10:27:06 · 630 阅读 · 1 评论 -
Coupled Generative Adversarial Networks
https://blog.csdn.net/carrierlxksuper/article/details/60479883这篇文章(NIPS2016)是基于Generative Adversarial Networks (GAN)而来的,GAN有两个部分,第一部分是生成器Generator,第二部分是判别器Discriminator。Generator输入时随机变量vector(噪声), 输出是一个经过层层反卷积出来的图片。 Discriminator是一个判别器,依次输入真实的图片和generato转载 2020-08-24 10:26:26 · 491 阅读 · 0 评论 -
对于DAN方法的解读-Learning Transferable Features with Deep Adaptation Networks
https://blog.csdn.net/weixin_40526176/article/details/79065861下面分为五个部分来讲解:一.研究背景二.本论文所解决的问题三.DAN方法四.实验部分五.结合自己的论文一.研究背景精简的说,研究表明:深度神经网络可以学习可迁移特征,这些特征用于域适应时在新的任务上表现出很好的泛化能力。然而由于深度特征随着网络层数的增加由一般到特殊转变,特征的可迁移能力在网络高层急剧下降,极大地增加了域之间的差...转载 2020-08-23 17:00:17 · 2744 阅读 · 0 评论 -
神奇的深度迁移学习DDC:Deep Domain Confusion: Maximizing for Domain Invariance
https://blog.csdn.net/qq_24305433/article/details/802394121、简介数据样本不够怎么使用深度学习?大家第一时间想到的肯定是微调已经训练好的模型,像VGG、Inception、Resnet这样的模型,但是有时我们可能会发现,有时微调后的效果并不是很好,可能会需要微调好多层才能得到较好的效果,但是这往往需要大量的样本,但当我们仅有少量或没有带标注的数据时,我们就无法有效的通过微调网络来实现对新样本的识别。存在这一问题的主要原因是源数据与目标数据之间转载 2020-08-23 16:52:30 · 2138 阅读 · 0 评论 -
Maximum Mean Discrepancy理解(MMD)
https://blog.csdn.net/tunhuzhuang1836/article/details/78058184MMD理解1.定义MMD:maximum mean discrepancy。最大平均差异。参考网上定义为:基于两个分布的样本,通过寻找在样本空间上的连续函数f,求不同分布的样本在f上的函数值的均值,通过把两个均值作差可以得到两个分布对应于f的mean discrepancy。寻找一个f使得这个mean discrepancy有最大值,就得到了MMD。最后取MMD作为检验统计转载 2020-08-23 16:44:12 · 7659 阅读 · 4 评论