迁移学习系列论文七:
CVPR 2019论文:
Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation
前言:
迁移学习,是指利用数据、任务、或模型之间的相似性,将在旧领域学习过的模型,应用于 新领域的一种学习过程。
我们都对机器学习有了基本的了解。机器学习是人工智能的一大类重要方法。机器学习解决的是让机器自主地从数据中获取知识,从而应用于新的问题中。迁移学习作为机器学习的一个重要分支,侧重于将已经学习过的知识迁移应用于新的问题中。 迁移学习的核心问题是,找到新问题和原问题之间的相似性,才可以顺利地实现知识的迁移。
迁移学习主要解决一下问题:
1. 大数据与少标注之间的矛盾。
2. 大数据与弱计算之间的矛盾。
3. 普适化模型与个性化需求之间的矛盾。
4. 特定应用的需求。
文章目录
- 摘要
- 介绍
- 算法
- 问题背景
- 网络架构
- 相关工作
- GAN
- 协同训练(co-traning)
- 训