里昂大学博士学位论文-图像分类中的迁移学习- 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。