【深度迁移学习在图像分类中的应用综述】Deep transfer learning for image classification: a survey

近年来，深度神经网络如卷积神经网络(CNN)和transformers 在图像分类方面取得了许多成功。一直以来，图像分类的最佳实践是在丰富的标签数据上训练大型深度模型。然而，在许多现实场景中，需要大量的训练数据才能获得最佳性能，这是无法满足的。在这些情况下，迁移学习可以帮助提高性能。到目前为止，还没有关于深度迁移学习与图像分类的全面研究。然而，最近一些关于深度迁移学习的一般性研究和一些与特定目标图像分类任务相关的研究已经发表。我们相信，对该领域未来的进展来说，整理当前的所有知识，分析和讨论总体模式是很重要的。在本研究中，我们正式定义了深度迁移学习以及它试图解决的与图像分类有关的问题。我们调查该领域的当前状态，并确定最近取得的进展。我们展示了当前知识的空白所在，并就如何推进该领域以填补这些空白提出建议。我们提出了一个新的分类方法的应用迁移学习图像分类。这种分类更容易看出迁移学习在哪些方面是有效的，在哪些方面没有发挥其潜力。这也使我们能够提出问题所在，以及如何更有效地使用它。我们证明，在这种新的分类下，考虑到源和目标数据集以及所使用的技术，迁移学习被证明无效甚至阻碍性能的许多应用程序都是可以预期的。在许多这种情况下，关键问题是为大型和非常相似的目标数据集设计的方法和超参数设置用于较小的和不太相似的目标数据集。我们确定可以带来更好结果的替代选择。