里昂大学博士学位论文-图像分类中的迁移学习

2019 年 4 月 10 日 专知
里昂大学博士学位论文-图像分类中的迁移学习

    导读

里昂大学Ying LU博士学位论文:图像分类中的迁移学习,提出了两种不同的归纳迁移学习算法,以解决图像分类问题。


编译 | Xiaowen


当学习一个新的目标域的分类模型时,只需少量的训练样本,机器学习算法的蛮力应用通常会产生泛化能力较差的过度拟合的分类器。另一方面,收集足够数量的人工标记的训练样本可能会非常昂贵。迁移学习方法的目的是通过从相关源域转移知识来解决这类问题,该领域拥有更多的数据,有助于目标领域的分类。根据对目标域和源域的不同假设,迁移学习可进一步分为三类:归纳转移学习、迁移学习(域适应)和无监督迁移学习。我们关注的是第一个任务,它假设目标任务和源任务是不同的,但却是相关的。更具体地说,我们假设目标任务和源任务都是分类任务,而目标类别和源类别是不同的,但相互关联。我们提出了两种不同的方法来处理这个ITL问题。



【里昂大学迁移学习论文便捷下载】

请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“里昂TL”就可以获取里昂大学迁移学习博士学位论文的下载链接~ 


-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成!520+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
12

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
小贴士
相关论文
Menghan Wang,Yujie Lin,Guli Lin,Keping Yang,Xiao-ming Wu
8+阅读 · 2020年6月1日
Generating Rationales in Visual Question Answering
Hammad A. Ayyubi,Md. Mehrab Tanjim,Julian J. McAuley,Garrison W. Cottrell
5+阅读 · 2020年4月4日
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
Qi Fan,Wei Zhuo,Chi-Keung Tang,Yu-Wing Tai
13+阅读 · 2020年3月31日
Meta Learning for End-to-End Low-Resource Speech Recognition
Jui-Yang Hsu,Yuan-Jui Chen,Hung-yi Lee
16+阅读 · 2019年10月26日
Antreas Antoniou,Harrison Edwards,Amos Storkey
19+阅读 · 2019年3月5日
Area Attention
Yang Li,Lukasz Kaiser,Samy Bengio,Si Si
5+阅读 · 2019年2月5日
Piotr Szymański,Tomasz Kajdanowicz,Nitesh Chawla
3+阅读 · 2019年1月1日
Alexander Fritzler,Varvara Logacheva,Maksim Kretov
6+阅读 · 2018年12月14日
ML-Net: multi-label classification of biomedical texts with deep neural networks
Jingcheng Du,Qingyu Chen,Yifan Peng,Yang Xiang,Cui Tao,Zhiyong Lu
7+阅读 · 2018年11月15日
Amrita Saha,Vardaan Pahuja,Mitesh M. Khapra,Karthik Sankaranarayanan,Sarath Chandar
8+阅读 · 2018年1月31日
Top