迁移学习资源列表-CSDN博客

迁移学习资源列表

这是一个关于迁移学习、领域自适应和领域间翻译的精选论文和有用资源列表！

教程和博客

论文

论文按主题和每个主题内的发布日期（对于arXiv论文为提交日期）排序。如果论文中给出了网络或算法的名称，那么名称会写在论文名称前，用粗体表示。

综述

深度迁移学习

深度学习模型的迁移。

微调方法

特征提取（嵌入）方法

多任务学习

学习不忘记 (2016)

强化学习的策略迁移

使用高阶动作相对输入训练Ms. Pac-Man的强化学习 (2013)

少样本迁移学习

元迁移学习

通过学习迁移学习迁移 (2018)

应用

医学成像：

机器人：

深度卷积神经网络用于位置识别和基于几何信息 (2018)

异常检测：

多分辨率知识蒸馏用于异常检测 (2020)

无监督领域自适应

在无监督领域自适应中，源域和目标域之间进行迁移。在无监督领域自适应中，只有源域可以有标签。

理论

通用

多源

多源领域自适应 (2008)
多源自适应的算法和理论 (2018)

对抗方法

学习潜在空间

半监督领域自适应

所有源点都有标签，但只有少数目标点有标签。

通用方法

da+lap-sim：具有实例约束的半监督领域自适应 (2013)

子空间学习

EA++：基于协同正则化的半监督领域自适应 (2010)
SDASL：使用子空间学习的半监督领域自适应与视觉识别 (2015)

Copula方法

NPRV：具有非参数Copula的半监督领域自适应 (2013)

少样本监督领域自适应

只有少数目标示例可用，但它们有标签。

对抗方法

FADA：少样本对抗领域自适应 (2017)
Augmented-Cyc：用于领域自适应的增强循环对抗学习 (2018)

嵌入方法

CCSA：统一深度监督领域自适应和泛化 (2017)

应用领域自适应

领域自适应在其他领域的应用

物理

音频处理

数据集

图像到图像

MNIST 对比 MNIST-M 对比 SVHN 对比 Synth 对比 USPS：数字图像
GTSRB 对比 Syn Signs：交通标志识别数据集，真实与合成标志间的迁移。
NYU Depth Dataset V2：使用两种不同相机（普通和深度）拍摄的标记配对图像
CelebA：名人面部图像，可以执行性别或发色翻译等操作
Office-Caltech 数据集：Office-31 和 Caltech-256 数据集中共有的 10 个常见类别的办公对象图像。共有四个领域：Amazon、Webcam、DSLR 和 Caltech。
Cityscapes 数据集：街道场景照片（源）及其注释版本（目标）
UnityEyes 对比 MPIIGaze：模拟与真实的注视图像（眼睛）
CycleGAN 数据集：horse2zebra, apple2orange, cezanne2photo, monet2photo, ukiyoe2photo, vangogh2photo, summer2winter
pix2pix 数据集：edges2handbags, edges2shoes, facade, maps
RaFD：具有 8 种不同情绪（愤怒、厌恶、恐惧、快乐、悲伤、惊讶、蔑视和中性）的面部图像。你可以将一个面部从一个情绪转移到另一个情绪。
VisDA 2017 分类数据集：两个领域的 12 个类别的对象图像：3D 模型和真实图像。
Office-Home 数据集：4 个领域中的对象图像：艺术、剪贴画、产品和现实世界。
DukeMTMC-reid 和 Market-1501：在不同地点收集的两个人体数据集。评估指标基于开放集图像检索。