一个翻译:
https://wenku.baidu.com/view/401fea41a55177232f60ddccda38376baf1fe00c.html
https://blog.csdn.net/wei_guo_xd/article/details/74059110
这篇论文是使用mapping实现了DTL
abstract
- 在深度网络中,特征的可迁移性在高层中随着域的差异增加而显著下降
- 减少数据集的偏差和加强特定任务层的迁移能力非常重要
- 论文提出深度学习域适应结构DAN,将卷积神经网络推广到域适应情境中
- DAN中所有任务层的隐藏表示都能嵌入到Hilber空间中
introduction
- 对图片学习,TL很重要,如果能从有训练数据的数据集中学到的特征知识迁移到没有足够训练数据的数据集中应用,即将已有的经验应用到新的任务重去,这可以节省相当大的成本。
- DAN联合卷积神经网络,减小域差异来实现。(域差异指的是源域和目标域的差异)
DAN网络可以学习可跨越域差异的可迁移特性
model
使用CNN结合了MK-MMD
网络的结构:
训练目标