Adversarial Knowledge Transfer from Unlabeled Data翻译
虽然机器学习方法在视觉识别中有很大的应用前景,但大多数现有的方法严重依赖于大量标记训练数据的可用性。然而,在绝大多数真实世界的设置中,由于标记数据的成本或给定域中数据的稀少,手动收集这样大的标记数据集是不可行的。在本文中,我们提出了一个新颖的对抗式知识转移(Adversarial Knowledge Transfer, AKT)框架,用于从互联网规模的未标记数据中转移知识,以提高分类器在给定视觉识别任务上的性能。提出的对抗学习框架将未标记源数据的特征空间与标记目标数据对齐,使得目标分类器可以用于预测源数据上
原创
2020-08-25 15:20:48 ·
409 阅读 ·
0 评论