基于特征的对抗迁移学习论文_迁移学习之域漂移问题的对抗学习

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)
• 训练流程
• 损失函数分析
• 实验