本文介绍了NIPS2016论文《Unsupervised Domain Adaptation with Residual Transfer Networks》，探讨如何利用残差迁移网络解决深度学习中源域与目标域之间的分布不匹配问题。论文提出结合特征自适应和类别自适应的损失函数，通过端到端的网络结构实现无监督域适应。实验结果显示该方法在降低域间差异和提高目标域分类性能方面取得积极效果。
论文题目： 《Unsupervised Domain Adaptation with Residual Transfer Networks》
论文信息： NIPS2016, Mingsheng Long, Han Zhu, Jianmin Wang, Tsinghua University
论文： http://ise.thss.tsinghua.edu.cn/~mlong/doc/residual-transfer-network-nips16.pdf
作者主页： http://ise.thss.tsinghua.edu.cn/~mlong/
代码链接： https://github.com/zhuhan1236/transfer-caffe
1. 论文解决的问题
深度学习的训练需要大量已标注的数据，但是手工标注大量数据费时费力，人们就想，某一任务已经标注好了大量数据，这些标注好了的数据能否利用到另一个任务上面，由此形成了迁移学习理论，也即这篇论文中的域自适应。
源任务称为源域，目标任务称为目标域，源域数据有标注，目标域数据没有标注或有少量标注，因此，源域数据的数据分布与目标域的数据分布是不相等的。将源域数据分布往目标域数据分布上靠，称为域自适应。
这篇文章解决了，1） 特征自适应的问题，
2） 源任务与目标任务的类别自适应问题。
2.论文的想法
这篇论文假设源任务与目标任务的类别数不相等，设计了一个端到端的深度卷积神经网络，能够将源任务类别估计迁移到
最低0.47元/天 解锁文章
扫一扫
634
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
