传统的机器学习方法通常在特定的数据集上进行训练,并且往往只在这些数据集上表现良好。然而,在现实世界的应用中,获取大量用于训练模型的标记数据可能具有挑战性,并且每个人物可能具有不同的数据分布和特征表示。在这种情况下,迁移学习可以发挥关键作用。迁移学习的优势在于它能显著减少训练新任务所需的数据量,加快模型的训练过程,并提高具有有限或相似数据的任务的性能。
值得注意的是,迁移学习的成功很大程度上取决于预训练模型与新任务之间的相关性。如果这两个任务有很大的不同,迁移学习可能并不总是有效的。因此,当应用迁移学习时,仔细考虑任务之间的相关性是必要的,沿着选择适当的预训练模型和迁移学习策略。
使用迁移学习来做其他方面的训练。首先在建立模型时,将图像分类训练的权重作为本模型的初试权重。在图像分类任务中,输入图像通过Swin Transformer处理以输出不同的类别。在我们的例子中,该模型将本文预处理后的图像作为输入,并使用深度学习来预测渗透率。这两个任务共享类似的工作流程,使他们适合迁移学习。主要区别在于输出,其中分类任务产生多个类别,回归任务输出单个数值。