迁移学习
一路狂奔的猪
从事计算机视觉,神经网络研究,自然语言处理等相关方向。擅长人体检测和人体姿态方向。涉猎过的方向:行人检测、弱监督目标检测、语义分割,语义分割域适应,生成对抗网络,迁移学习,多标签,命名实体识别。希望猪猪在学习的路上一路狂奔
展开
-
迁移学习之图像分类域适应
这半年来主要研究迁移学习,因此想通过几篇博客进行一下总结,从迁移学习,到深度迁移学习,对抗迁移学习,到图像分类域适应,再到语义分割域适应。下面是迁移学习较新的综述 :2018 一篇最近的非对称情况下的异构迁移学习综述:Asymmetric Heterogeneous Transfer Learning: A Survey2018 Neural style transfer的一个surv...原创 2019-01-05 15:22:53 · 3837 阅读 · 0 评论 -
迁移学习之语义分割对抗域适应
问题背景:自动驾驶场景:当前语义分割算法需要大量有标签的数据集,然而,这些像素级的标注信息的获取代价是非常巨大的。 针对这一问题,有学者提出了通过游戏引擎来合成自动驾驶场景下的图像数据,同时得到像素级的语义标签,避免了标注真实图像所需要耗费的大量人力物力。 但是,随之带来的问题是,合成图像上训练的模型能否适用于真实图像?答案是否定的,因为合成图像和真实图像的数据分布存在巨大的偏...原创 2019-01-05 15:27:45 · 3802 阅读 · 0 评论 -
域适应-应用领域
当前基于深度学习的域适应,主要研究领域以及代表性的文章:1.分类 Duplex Generative Adversarial Network for Unsupervised Domain Adaptation Maximum Classifier Discrepancy for Unsupervised Domain Adaptation2. 安...原创 2019-01-05 15:31:33 · 2947 阅读 · 0 评论 -
迁移学习的应用
迁移学习在产业界的实际应用,可以用下面这幅图归纳: 1.在机器阅读中的应用所谓“机器阅读”,就是把自然语言文本转化为机器可以理解的模式,然后机器根据这个模式对个人进行服务。加入用户反馈(比如用户看了某篇文章、所看时长或点赞行为),升级为强化学习迁移学习可以把模型个性化,给张三看的 Summarization和李四看的 Summarization不一样,就像一篇文章我们需...原创 2019-01-05 15:52:09 · 2478 阅读 · 0 评论 -
迁移学习之深度迁移学习
深度迁移学习即采用深度学习的方法进行迁移学习,这是当前深度学习的一个比较热门的研究方向。深度学习方法对非深度方法两个优势: 一、自动化地提取更具表现力的特征;二、满⾜了实际应用中的端到端 (End-to-End) 需求。 最简单的深度网络迁移形式: finetune(特别地,在计算机视觉中,迁移学习⽅法被称为 Domain Adaptation。 ) 但是 finetun...原创 2019-01-05 16:01:39 · 19659 阅读 · 3 评论