【迁移学习】月度总结

发布时间:2024年01月03日

1、Domain Separation Networks (DSNs) 域分离网络

  • 作者认为域之间有着公有特征和私有特征
  • 如果私有特征也进行迁移的话,就会造成负迁移
  • 因此作者提出了Domain Separation Networks 在这里插入图片描述

2、Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation(DRCN)深度重构分类网络

  • DRCN对标记的源数据进行监督分类
  • 学习目标域无标签数据的特征表达,将源域的图像转化为外观与目标数据集相似的图像
  • 编码参数在两个任务之间共享,而解码参数是分开的
    在这里插入图片描述

3、Multi-Adversarial Domain Adaptation(MADA)多对抗域适应

  • 多个对抗网络(每个网络对应一个类,总共k个),源域中的每一类都分配一个域判别器
  • 目标域的样本对应哪个判别器?第k类的概率 x 样本的特征 -> 第k类的域判别器
  • 每一个判别器都更加针对自己关注的类进行判别,从而对不同的数据分布进行细粒度的对齐
    在这里插入图片描述

4、Generate To Adapt: Aligning Domains using Generative Adversarial Networks 生成适应:使用生成对抗网络对齐域

  • 提出了一种对抗性图像生成方法,使用源域标记数据和来自目标未标记数据直接学习联合特征空间(共享特征)嵌入
  • G产生与源域类似但不完全相同的数据,通过与D对抗,促进F特征提取器的学习
  • D鉴别-区分真实数据和生成数据
    在这里插入图片描述

5、Learning Semantic Representations for Unsupervised Domain Adaptation(moving semantic transfer network-MSTN)学习无监督域适应的语义表示

  • 如何利用伪标签进行域适应?
  • 对齐源域(有标签)和 目标域(伪标签,网络预测一个标签)相同类别的中心,来学习的语义信息。
  • 模型每次迭代中计算语义转移损失
    在这里插入图片描述
文章来源:https://blog.csdn.net/weixin_51293984/article/details/135342425
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。