总说
只是随意看了看名字,下载了几篇论文读读,方向很局限。(待更新,最近更新 2019-12-2)
论文列表:
- Content and Style Disentanglement for Artistic Style Transfer
- Budget-Aware Adapters for Multi-Domain Learning
- Global Feature Guided Local Pooling
- LIP: Local Importance-based Pooling
- Correlation Congruence for Knowledge Distillation
Content and Style Disentanglement for Artistic Style Transfer
Budget-Aware Adapters for Multi-Domain Learning
简单来说,这里对于不同的domain的图片,这个switches会通过通道的选择,从而置零某些channel,进而实现 multiple domain learning。说到底就是就是一个 sparse MoE,不过之前是有专门的一个分支,来选择哪些 神经元的激活可以通过,但是这里只是把那个分支去掉了,直接转换成backbone内部的一个个卷积中的小switches,这些switches对 卷积核进行sparse处理(置零某些卷积核的通道),从而可以让backbone对不同的domain实现specific的“定制”。
Global Feature Guided Local Pooling
从最大化熵的角度提出 global feature guided local pooling。
如果将 pooling看成一个weighting操作,那么将weighting的权重看成概率密度函数,最大化后验概率&#