色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

對(duì)深度遷移學(xué)習(xí)的當(dāng)前研究進(jìn)行了回顧和分類

人工智能和機(jī)器人研究院 ? 來源:未知 ? 作者:李倩 ? 2018-09-17 16:17 ? 次閱讀

本文是清華大學(xué)智能技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室近期發(fā)表的深度遷移學(xué)習(xí)綜述,首次定義了深度遷移學(xué)習(xí)的四個(gè)分類,包括基于實(shí)例、映射、網(wǎng)絡(luò)和對(duì)抗的遷移學(xué)習(xí)方法,并在每個(gè)方向上都給出了豐富的參考文獻(xiàn)。機(jī)器之心對(duì)該綜述進(jìn)行了全文編譯。

論文:A Survey on Deep Transfer Learning

論文地址:https://arxiv.org/pdf/1808.01974v1.pdf

摘要:作為一種新的分類方法,深度學(xué)習(xí)最近受到研究人員越來越多的關(guān)注,并已成功應(yīng)用到諸多領(lǐng)域。在某些類似生物信息和機(jī)器人的領(lǐng)域,由于數(shù)據(jù)采集和標(biāo)注費(fèi)用高昂,構(gòu)建大規(guī)模的標(biāo)注良好的數(shù)據(jù)集非常困難,這限制了這些領(lǐng)域的發(fā)展。遷移學(xué)習(xí)放寬了訓(xùn)練數(shù)據(jù)必須與測試數(shù)據(jù)獨(dú)立同分布(i.i.d.)的假設(shè),這啟發(fā)我們使用遷移學(xué)習(xí)來解決訓(xùn)練數(shù)據(jù)不足的問題。本篇綜述的重點(diǎn)是回顧當(dāng)前利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)的研究及其應(yīng)用。我們根據(jù)深度遷移學(xué)習(xí)中使用的技術(shù),給出了深度遷移學(xué)習(xí)的定義、類別并回顧了最近的研究工作。

1 引言

深度學(xué)習(xí)最近受到研究員越來越多的關(guān)注,并已成功應(yīng)用于眾多實(shí)踐中。深度學(xué)習(xí)算法可以從海量數(shù)據(jù)中學(xué)習(xí)高級(jí)特征,這使得深度學(xué)習(xí)具備超越傳統(tǒng)機(jī)器學(xué)習(xí)的優(yōu)勢。

深度學(xué)習(xí)可以通過無監(jiān)督或半監(jiān)督特征學(xué)習(xí)算法和分層特征提取來自動(dòng)提取數(shù)據(jù)特征。相比之下,傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要手動(dòng)設(shè)計(jì)特征,這會(huì)嚴(yán)重增加用戶的負(fù)擔(dān)。可以說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于大規(guī)模數(shù)據(jù)的表征學(xué)習(xí)算法。

數(shù)據(jù)依賴是深度學(xué)習(xí)中最嚴(yán)峻的問題之一。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)極其依賴大規(guī)模訓(xùn)練數(shù)據(jù),因?yàn)樗枰罅繑?shù)據(jù)去理解潛在的數(shù)據(jù)模式。我們可以發(fā)現(xiàn)一個(gè)有趣的現(xiàn)象,模型的規(guī)模和所需數(shù)據(jù)量的大小幾乎呈線性關(guān)系。

一個(gè)合理的解釋是,對(duì)于特定問題,模型的表達(dá)空間必須大到足以發(fā)現(xiàn)數(shù)據(jù)的模式。模型中的較底層可以識(shí)別訓(xùn)練數(shù)據(jù)的高級(jí)特征,之后的較高層可以識(shí)別幫助做出最終決策所需的信息。

在一些特殊領(lǐng)域,訓(xùn)練數(shù)據(jù)不足不可避免。數(shù)據(jù)收集復(fù)雜且昂貴,因此構(gòu)建大規(guī)模、高質(zhì)量的帶標(biāo)注數(shù)據(jù)集非常困難。

例如,生物信息數(shù)據(jù)集中的每個(gè)樣本通常都代表一次臨床試驗(yàn)或一名痛苦的患者。另外,即使我們以昂貴的價(jià)格獲得訓(xùn)練數(shù)據(jù)集,也很容易過時(shí),因此無法有效地應(yīng)用于新任務(wù)中。

遷移學(xué)習(xí)放寬了訓(xùn)練數(shù)據(jù)必須與測試數(shù)據(jù)獨(dú)立同分布(i.i.d.)這樣的假設(shè),這啟發(fā)我們使用遷移學(xué)習(xí)來解決訓(xùn)練數(shù)據(jù)不足的問題。

在遷移學(xué)習(xí)中,訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)不需要是 i.i.d.,目標(biāo)域中的模型也不需要從頭開始訓(xùn)練,這可以顯著降低目標(biāo)域?qū)τ?xùn)練數(shù)據(jù)和訓(xùn)練時(shí)間的需求。

過去,大多數(shù)遷移學(xué)習(xí)研究都是在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中進(jìn)行的。由于深度學(xué)習(xí)在現(xiàn)代機(jī)器學(xué)習(xí)方法中的優(yōu)勢地位,深度遷移學(xué)習(xí)及其應(yīng)用的概述尤為重要。這篇綜述論文的貢獻(xiàn)如下:

定義了深度遷移學(xué)習(xí),并首次將其分為四類。我們回顧了目前關(guān)于每種深度遷移學(xué)習(xí)的研究工作,并給出了每個(gè)類別的標(biāo)準(zhǔn)化描述和示意圖。

2 深度遷移學(xué)習(xí)

遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)中解決訓(xùn)練數(shù)據(jù)不足問題的重要工具。它試圖通過放寬訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)必須為 i.i.d 的假設(shè),將知識(shí)從源域遷移到目標(biāo)域。

這對(duì)由于訓(xùn)練數(shù)據(jù)不足而難以改善性能的許多研究領(lǐng)域產(chǎn)生巨大的積極影響。遷移學(xué)習(xí)的學(xué)習(xí)過程如圖 1 所示。

這篇綜述中使用的某些符號(hào)需要明確定義。首先,我們分別給出了域和任務(wù)的定義:域可以 用 D = {χ, P(X)} 表示,其包含兩部分:特征空間 χ 和邊緣概率分布 P(X) 其中 X = {x1, ..., xn} ∈ χ。

任務(wù)可以用 T = {y, f(x)} 表示。它由兩部分組成:標(biāo)簽空間 y 和目標(biāo)預(yù)測函數(shù) f(x)。f(x) 也可看作條件概率函數(shù) P(y|x)。最后,遷移學(xué)習(xí) 可以定義如下:

定義 1:(遷移學(xué)習(xí))。給定一個(gè)基于數(shù)據(jù) Dt 的學(xué)習(xí)任務(wù) Tt,我們可以從 Ds 中獲取對(duì)任務(wù) Ts 有用的知識(shí)。遷移學(xué)習(xí)旨在通過發(fā)現(xiàn)并轉(zhuǎn)換 Ds 和 Ts 中的隱知識(shí)來提高任務(wù) Tt 的預(yù)測函數(shù) fT(.) 的表現(xiàn),其中 Ds ≠ Dt 且/或 Ts ≠ Tt。此外,大多數(shù)情況下,Ds 的規(guī)模遠(yuǎn)大于 Dt 的規(guī)模。

圖 1:遷移學(xué)習(xí)的學(xué)習(xí)過程。

綜述 [19] 和 [25] 將遷移學(xué)習(xí)就源域和目標(biāo)域之間的關(guān)系分為三個(gè)主要類別,這已被廣泛接受。這些綜述是對(duì)過去遷移學(xué)習(xí)工作的總結(jié),它介紹了許多經(jīng)典的遷移學(xué)習(xí)方法。

此外,人們最近提出了許多更新和更好的方法。近年來,遷移學(xué)習(xí)研究界主要關(guān)注以下兩個(gè)方面:域適應(yīng)和多源域遷移。

如今,深度學(xué)習(xí)近年來在許多研究領(lǐng)域取得了主導(dǎo)地位。重要的是要找到如何通過深度神經(jīng)網(wǎng)絡(luò)有效地傳遞知識(shí),深度神經(jīng)網(wǎng)絡(luò)其定義如下:

定義 2:(深度遷移學(xué)習(xí))。給定一個(gè)由 定義的遷移學(xué)習(xí)任務(wù)。這就是一個(gè)深度遷移學(xué)習(xí)任務(wù),其中 fT(.) 是一個(gè)表示深度神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)。

3 類別

深度遷移學(xué)習(xí)研究如何通過深度神經(jīng)網(wǎng)絡(luò)利用其他領(lǐng)域的知識(shí)。由于深度神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域都很受歡迎,人們已經(jīng)提出了相當(dāng)多的深度遷移學(xué)習(xí)方法,對(duì)它們進(jìn)行分類和總結(jié)非常重要。

基于深度遷移學(xué)習(xí)中使用的技術(shù),本文將深度遷移學(xué)習(xí)分為四類:基于實(shí)例的深度遷移學(xué)習(xí),基于映射的深度遷移學(xué)習(xí),基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)和基于對(duì)抗的深度遷移學(xué)習(xí),如表 1 所示。

表 1:深度遷移學(xué)習(xí)的分類。

3.1 基于實(shí)例的深度遷移學(xué)習(xí)

基于實(shí)例的深度遷移學(xué)習(xí)是指使用特定的權(quán)重調(diào)整策略,通過為那些選中的實(shí)例分配適當(dāng)?shù)臋?quán)重,從源域中選擇部分實(shí)例作為目標(biāo)域訓(xùn)練集的補(bǔ)充。

它基于這個(gè)假設(shè):「盡管兩個(gè)域之間存在差異,但源域中的部分實(shí)例可以分配適當(dāng)權(quán)重供目標(biāo)域使用。」基于實(shí)例的深度遷移學(xué)習(xí)的示意圖如圖 2 所示:

圖 2:基于實(shí)例的深度遷移學(xué)習(xí)的示意圖。源域中的與目標(biāo)域不相似的淺藍(lán)色實(shí)例被排除在訓(xùn)練數(shù)據(jù)集之外;源域中與目標(biāo)域類似的深藍(lán)色實(shí)例以適當(dāng)權(quán)重包括在訓(xùn)練數(shù)據(jù)集中。

[4] 中提出的 TrAdaBoost 使用基于 AdaBoost 的技術(shù)來過濾掉源域中的與目標(biāo)域不同的實(shí)例。在源域中對(duì)實(shí)例重新加權(quán)以構(gòu)成類似于目標(biāo)域的分布。最后,通過使用來自源域的重新加權(quán)實(shí)例和來自目標(biāo)域的原始實(shí)例來訓(xùn)練模型。

它可以減少保持 AdaBoost 屬性的不同分布域上的加權(quán)訓(xùn)練誤差。[27] 提出的 TaskTrAdaBoost 是一種快速算法,可以促進(jìn)對(duì)新目標(biāo)域的快速再訓(xùn)練。與 TrAdaBoost 設(shè)計(jì)用于分類問題不同,[20] 提出了 ExpBoost.R2 和 TrAdaBoost.R2 來解決回歸問題。

[24] 提出的雙權(quán)重域自適應(yīng)(BIW)可以將兩個(gè)域的特征空間對(duì)齊到公共坐標(biāo)系中,然后為源域的實(shí)例分配適當(dāng)?shù)臋?quán)重。[10] 提出增強(qiáng)的 TrAdaBoost 來處理區(qū)域砂巖顯微圖像分類的問題。

[26] 提出了一個(gè)量度遷移學(xué)習(xí)框架,用于在并行框架中學(xué)習(xí)實(shí)例權(quán)重和兩個(gè)不同域的距離,以使跨域的知識(shí)遷移更有效。[11] 將集成遷移學(xué)習(xí)引入可以利用源域?qū)嵗纳疃壬窠?jīng)網(wǎng)絡(luò)。

3.2 基于映射的深度遷移學(xué)習(xí)

基于映射的深度遷移學(xué)習(xí)是指將源域和目標(biāo)域中的實(shí)例映射到新的數(shù)據(jù)空間。在這個(gè)新的數(shù)據(jù)空間中,來自兩個(gè)域的實(shí)例都相似且適用于聯(lián)合深度神經(jīng)網(wǎng)絡(luò)。

它基于假設(shè):「盡管兩個(gè)原始域之間存在差異,但它們在精心設(shè)計(jì)的新數(shù)據(jù)空間中可能更為相似。」基于映射的深度遷移學(xué)習(xí)的示意圖如圖 3 所示:

圖 3:基于映射的深度遷移學(xué)習(xí)的示意圖。來自源域和目標(biāo)域的實(shí)例同時(shí)以更相似的方式映射到新數(shù)據(jù)空間。將新數(shù)據(jù)空間中的所有實(shí)例視為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。

由 [18] 引入的遷移成分分析(TCA)和基于 TCA 的方法 [29] 已被廣泛用于傳統(tǒng)遷移學(xué)習(xí)的許多應(yīng)用中。一個(gè)自然的想法是將 TCA 方法擴(kuò)展到深度神經(jīng)網(wǎng)絡(luò)。

[23] 通過引入適應(yīng)層和額外的域混淆損失來擴(kuò)展 MMD 用以比較深度神經(jīng)網(wǎng)絡(luò)中的分布,以學(xué)習(xí)具有語義意義和域不變性的表示。該工作中使用的 MMD 距離定義為:

損失函數(shù)定義為:

[12] 通過用 [8] 中提出的多核變量 MMD(MK-MMD)距離代替 MMD 距離改進(jìn)了以前的工作。與卷積神經(jīng)網(wǎng)絡(luò)(CNN)中的學(xué)習(xí)任務(wù)相關(guān)的隱藏層被映射到再生核 Hilbert 空間(RKHS),并且通過多核優(yōu)化方法使不同域之間的距離最小化。

[14] 提出聯(lián)合最大均值差異(JMMD)來衡量聯(lián)合分布的關(guān)系。JMMD 用于泛化深度神經(jīng)網(wǎng)絡(luò)(DNN)的遷移學(xué)習(xí)能力,以適應(yīng)不同領(lǐng)域的數(shù)據(jù)分布,并改進(jìn)了以前的工作。由 [2] 提出的 Wasserstein 距離可以用作域的新距離度量,以便找到更好的映射。

3.3 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)

基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)是指復(fù)用在源域中預(yù)先訓(xùn)練好的部分網(wǎng)絡(luò),包括其網(wǎng)絡(luò)結(jié)構(gòu)和連接參數(shù),將其遷移到目標(biāo)域中使用的深度神經(jīng)網(wǎng)絡(luò)的一部分。

它基于這個(gè)假設(shè):「神經(jīng)網(wǎng)絡(luò)類似于人類大腦的處理機(jī)制,它是一個(gè)迭代且連續(xù)的抽象過程。網(wǎng)絡(luò)的前面層可被視為特征提取器,提取的特征是通用的。「基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)示意圖如圖 4 所示:

圖 4:基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)的示意圖。首先,在源域中使用大規(guī)模訓(xùn)練數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)。然后,基于源域預(yù)訓(xùn)練的部分網(wǎng)絡(luò)被遷移到為目標(biāo)域設(shè)計(jì)的新網(wǎng)絡(luò)的一部分。最后,它就成了在微調(diào)策略中更新的子網(wǎng)絡(luò)。

[9] 將網(wǎng)絡(luò)分為兩部分,前者是與語言無關(guān)的特征變換,最后一層是與語言相關(guān)的分類器。語言獨(dú)立的特征變換可以在多種語言之間遷移。[17] 反復(fù)使用 CNN 在 ImageNet 數(shù)據(jù)集上訓(xùn)練的前幾層來提取其他數(shù)據(jù)集圖像的中間圖像表征,CNN 被訓(xùn)練去學(xué)習(xí)圖像表征,它可以有效地遷移到其他訓(xùn)練數(shù)據(jù)量受限的視覺識(shí)別任務(wù)。

[15] 提出了一種聯(lián)合學(xué)習(xí)源域中標(biāo)記數(shù)據(jù)和目標(biāo)域中未標(biāo)記數(shù)據(jù)的自適應(yīng)分類器和可遷移特征的方法,它通過將多個(gè)層插入深層網(wǎng)絡(luò),指引目標(biāo)分類器顯式學(xué)習(xí)殘差函數(shù)。[30] 在 DNN 中同時(shí)學(xué)習(xí)域自適應(yīng)和深度哈希特征。

[3] 提出了一種新穎的多尺度卷積稀疏編碼方法。該方法可以以一種聯(lián)合方式自動(dòng)學(xué)習(xí)不同尺度的濾波器組,強(qiáng)制規(guī)定學(xué)習(xí)模式的明確尺度,并提供無監(jiān)督的解決方案,用于學(xué)習(xí)可遷移的基礎(chǔ)知識(shí)并將其微調(diào)到目標(biāo)任務(wù)。

[6] 應(yīng)用深度遷移學(xué)習(xí)將知識(shí)從現(xiàn)實(shí)世界的物體識(shí)別任務(wù)遷移到 glitch 分類器,用于多重力波信號(hào)的探測。它證明了 DNN 可以作為優(yōu)秀的無監(jiān)督聚類方法特征提取器,根據(jù)實(shí)例的形態(tài)識(shí)別新類,而無需任何標(biāo)記示例。

另一個(gè)非常值得注意的結(jié)果是 [28] 指出了網(wǎng)絡(luò)結(jié)構(gòu)和可遷移性之間的關(guān)系。它證明了某些模塊可能不會(huì)影響域內(nèi)準(zhǔn)確性,但會(huì)影響可遷移性。它指出哪些特征在深層網(wǎng)絡(luò)中可以遷移,哪種類型的網(wǎng)絡(luò)更適合遷移。得出的結(jié)論是,LeNet、AlexNet、VGG、Inception、ResNet 在基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)中是很好的選擇。

3.4 基于對(duì)抗的深度遷移學(xué)習(xí)

基于對(duì)抗的深度遷移學(xué)習(xí)是指引入受生成對(duì)抗網(wǎng)絡(luò)(GAN)[7] 啟發(fā)的對(duì)抗技術(shù),以找到適用于源域和目標(biāo)域的可遷移表征。它基于這個(gè)假設(shè):「為了有效遷移,良好的表征應(yīng)該為主要學(xué)習(xí)任務(wù)提供辨判別力,并且在源域和目標(biāo)域之間不可區(qū)分。」基于對(duì)抗的深度遷移學(xué)習(xí)的示意圖如圖 5 所示。

圖 5:基于對(duì)抗的深度遷移學(xué)習(xí)的示意圖。在源域大規(guī)模數(shù)據(jù)集的訓(xùn)練過程中,網(wǎng)絡(luò)的前面層被視為特征提取器。它從兩個(gè)域中提取特征并將它們輸入到對(duì)抗層。

對(duì)抗層試圖區(qū)分特征的來源。如果對(duì)抗網(wǎng)絡(luò)的表現(xiàn)很差,則意味著兩種類型的特征之間存在細(xì)微差別,可遷移性更好,反之亦然。在以下訓(xùn)練過程中,將考慮對(duì)抗層的性能以迫使遷移網(wǎng)絡(luò)發(fā)現(xiàn)更多具有可遷移性的通用特征。

基于對(duì)抗的深度遷移學(xué)習(xí)由于其良好的效果和較強(qiáng)的實(shí)用性,近年來取得了快速發(fā)展。[1] 通過在損失函數(shù)中使用域自適應(yīng)正則化項(xiàng),引入對(duì)抗技術(shù)來遷移域適應(yīng)的知識(shí)。

[5] 提出了一種對(duì)抗訓(xùn)練方法,通過增加幾個(gè)標(biāo)準(zhǔn)層和一個(gè)簡單的新梯度翻轉(zhuǎn)層,使其適用于大多數(shù)前饋神經(jīng)模型。[21] 為稀疏標(biāo)記的目標(biāo)域數(shù)據(jù)提出了一種方法遷移同時(shí)跨域和跨任務(wù)的知識(shí)。在這項(xiàng)工作中使用了一種特殊的聯(lián)合損失函數(shù)來迫使 CNN 優(yōu)化域之間的距離,其定義為 LD = Lc +λLadver,其中 Lc 是分類損失,Ladver 是域?qū)箵p失。

因?yàn)閮蓚€(gè)損失彼此直接相反,所以引入迭代優(yōu)化算法,固定一個(gè)損失時(shí)更新另一個(gè)損失。[22] 提出了一種新的 GAN 損失,并將判別模型與新的域自適應(yīng)方法相結(jié)合。

[13] 提出一個(gè)隨機(jī)多線性對(duì)抗網(wǎng)絡(luò),其利用多個(gè)特征層和基于隨機(jī)多線性對(duì)抗的分類器層來實(shí)現(xiàn)深度和判別對(duì)抗適應(yīng)網(wǎng)絡(luò)。[16] 利用域?qū)剐該p失,并使用基于度量學(xué)習(xí)的方法將嵌入泛化到新任務(wù),以在深度遷移學(xué)習(xí)中找到更易處理的特征。

4 結(jié)論

在本篇綜述論文中,我們對(duì)深度遷移學(xué)習(xí)的當(dāng)前研究進(jìn)行了回顧和分類。并首次將深度遷移學(xué)習(xí)分為四類:基于實(shí)例的深度遷移學(xué)習(xí),基于映射的深度遷移學(xué)習(xí),基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)和基于對(duì)抗的深度遷移學(xué)習(xí)。在大多數(shù)實(shí)際應(yīng)用中,通常混合使用上述多種技術(shù)以獲得更好的結(jié)果。

目前大多數(shù)研究都集中在監(jiān)督學(xué)習(xí)上,如何通過深度神經(jīng)網(wǎng)絡(luò)在無監(jiān)督或半監(jiān)督學(xué)習(xí)中遷移知識(shí),可能會(huì)在未來引發(fā)越來越多的關(guān)注。負(fù)遷移和可遷移性衡量標(biāo)準(zhǔn)是傳統(tǒng)遷移學(xué)習(xí)的重要問題。這兩個(gè)問題對(duì)深度遷移學(xué)習(xí)的影響也要求我們進(jìn)行進(jìn)一步的研究。

此外,為深層神經(jīng)網(wǎng)絡(luò)中的遷移知識(shí)找到更強(qiáng)大的物理支持是一個(gè)非常有吸引力的研究領(lǐng)域,但這需要物理學(xué)家、神經(jīng)學(xué)家和計(jì)算機(jī)科學(xué)家的合作。可以預(yù)見,隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展,深度遷移學(xué)習(xí)將被廣泛應(yīng)用于解決許多具有挑戰(zhàn)性的問題。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:綜述論文:四大類深度遷移學(xué)習(xí)

文章出處:【微信號(hào):gh_ecbcc3b6eabf,微信公眾號(hào):人工智能和機(jī)器人研究院】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 0人收藏

    評(píng)論

    相關(guān)推薦

    異常檢測的深度學(xué)習(xí):一項(xiàng)調(diào)查(翻譯)精選資料分享

    摘要異常檢測是一個(gè)重要的問題,在不同的研究領(lǐng)域和應(yīng)用領(lǐng)域都得到了充分的研究。本調(diào)查的目的有兩個(gè)方面,首先我們對(duì)基于深度學(xué)習(xí)的異常檢測的研究
    發(fā)表于 07-12 08:05

    基于深度學(xué)習(xí)的異常檢測的研究方法

    研究方法進(jìn)行了系統(tǒng)而全面的綜述。此外,我們回顧了這些方法在不同應(yīng)用領(lǐng)域中的應(yīng)用,并評(píng)估了它們的有效性。我們根據(jù)所采用的基本假設(shè)和方法,將最先進(jìn)的深度異常檢測
    發(fā)表于 07-12 07:10

    基于深度學(xué)習(xí)的異常檢測的研究方法

    ABSTRACT1.基于深度學(xué)習(xí)的異常檢測的研究方法進(jìn)行結(jié)構(gòu)化和全面的概述2.回顧這些方法在各個(gè)領(lǐng)域這個(gè)中的應(yīng)用情況,并評(píng)估他們的有效性。3
    發(fā)表于 07-12 06:36

    遷移學(xué)習(xí)

    基于特征的遷移學(xué)習(xí)基于分類器適配的遷移學(xué)習(xí)章節(jié)目標(biāo):掌握遷移
    發(fā)表于 04-21 15:15

    什么是深度學(xué)習(xí)?使用FPGA進(jìn)行深度學(xué)習(xí)的好處?

    上述分類之外,還被用于多項(xiàng)任務(wù)(下面顯示了四個(gè)示例)。在 FPGA 上進(jìn)行深度學(xué)習(xí)的好處我們已經(jīng)提到,許多服務(wù)和技術(shù)都使用深度
    發(fā)表于 02-17 16:56

    基于局部分類精度的多源在線遷移學(xué)習(xí)算法

    近年來,遷移學(xué)習(xí)得到越來越多的關(guān)注,現(xiàn)有的在線遷移學(xué)習(xí)算法一般從單個(gè)源領(lǐng)域遷移知識(shí)。然而,當(dāng)源領(lǐng)域與目標(biāo)領(lǐng)域相似度較低時(shí),很難
    發(fā)表于 12-25 11:04 ?0次下載

    采用深度學(xué)習(xí)對(duì)自然語言處理進(jìn)行分類

    深度學(xué)習(xí)對(duì)自然語言處理(NLP)進(jìn)行分類
    的頭像 發(fā)表于 11-05 06:51 ?3385次閱讀

    NVIDIA遷移學(xué)習(xí)工具包 :用于特定領(lǐng)域深度學(xué)習(xí)模型快速訓(xùn)練的高級(jí)SDK

    ,并在 TeslaGPU 上使用 DeepStream SDK 3.0 進(jìn)行部署。這些模型針對(duì) IVA 特定參考使用場景(如檢測和分類進(jìn)行了全面地訓(xùn)練。
    的頭像 發(fā)表于 12-07 14:45 ?3282次閱讀

    使用深度模型遷移進(jìn)行細(xì)粒度圖像分類的方法說明

    針對(duì)細(xì)粒度圖像分類方法中存在模型復(fù)雜度較高、難以利用較深模型等問題,提出深度模型遷移( DMT)分類方法。首先,在粗粒度圖像數(shù)據(jù)集上進(jìn)行
    發(fā)表于 01-18 17:01 ?5次下載
    使用<b class='flag-5'>深度</b>模型<b class='flag-5'>遷移</b><b class='flag-5'>進(jìn)行</b>細(xì)粒度圖像<b class='flag-5'>分類</b>的方法說明

    深度學(xué)習(xí)框架PaddlePaddle在百度內(nèi)部的戰(zhàn)略地位進(jìn)行了定調(diào)

    服務(wù)平臺(tái)則主要由可定制化訓(xùn)練深度學(xué)習(xí)模型的EasyDL以及一站式開發(fā)平臺(tái)AI Studio組成。EasyDL目前已經(jīng)支持圖像識(shí)別、文本分類、聲音分類
    的頭像 發(fā)表于 04-29 10:58 ?4920次閱讀
    <b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>框架PaddlePaddle在百度內(nèi)部的戰(zhàn)略地位<b class='flag-5'>進(jìn)行了</b>定調(diào)

    基于深度學(xué)習(xí)遷移學(xué)習(xí)方法,對(duì)瘧疾等傳染病檢測問題進(jìn)行了研究

    在本文中,我們將使用 Python 和 tensorflow ,來構(gòu)建一個(gè)強(qiáng)大的、可擴(kuò)展的、有效的深度學(xué)習(xí)解決方案。這些工具都是免費(fèi)并且開源的,這使得我們能夠構(gòu)建一個(gè)真正低成本、高效精準(zhǔn)的解決方案,而且可以讓每個(gè)人都可以輕松使用。讓我們開始吧!
    的頭像 發(fā)表于 05-05 11:21 ?4454次閱讀

    基于遷移深度學(xué)習(xí)的雷達(dá)信號(hào)分選識(shí)別

    基于遷移深度學(xué)習(xí)的雷達(dá)信號(hào)分選識(shí)別 ? 來源:《軟件學(xué)報(bào)》?,作者王功明等 ? 摘要:? 針對(duì)當(dāng)前雷達(dá)信號(hào)分選識(shí)別算法普遍存在的低信噪比下識(shí)別能力差、特征參數(shù)提取困難、
    發(fā)表于 03-02 17:35 ?1728次閱讀

    深度學(xué)習(xí)在全景視覺上的應(yīng)用及未來展望

    本文首先對(duì)全景圖像的成像進(jìn)行了分析,緊接著對(duì)現(xiàn)有的在全景圖像上的卷積方式進(jìn)行了分類介紹,并對(duì)現(xiàn)有的全景圖像數(shù)據(jù)集進(jìn)行了收集并介紹。作為第一篇全面回顧
    的頭像 發(fā)表于 10-19 15:25 ?1975次閱讀

    視覺深度學(xué)習(xí)遷移學(xué)習(xí)訓(xùn)練框架Torchvision介紹

    Torchvision是基于Pytorch的視覺深度學(xué)習(xí)遷移學(xué)習(xí)訓(xùn)練框架,當(dāng)前支持的圖像分類、對(duì)
    的頭像 發(fā)表于 09-22 09:49 ?1077次閱讀
    視覺<b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b><b class='flag-5'>遷移</b><b class='flag-5'>學(xué)習(xí)</b>訓(xùn)練框架Torchvision介紹

    深度學(xué)習(xí)中的時(shí)間序列分類方法

    的發(fā)展,基于深度學(xué)習(xí)的TSC方法逐漸展現(xiàn)出其強(qiáng)大的自動(dòng)特征提取和分類能力。本文將從多個(gè)角度對(duì)深度學(xué)習(xí)在時(shí)間序列
    的頭像 發(fā)表于 07-09 15:54 ?1607次閱讀
    主站蜘蛛池模板: 免费在线观看a视频 | 欧美成人免费观看久久 | 亚洲欧洲日韩国产一区二区三区 | 国产亚洲精品影视在线 | 亚洲欧美成人无码久久久 | 亚洲国产在线视频精品 | 亚洲伊人精品综合在合线 | 国产a级午夜毛片 | 大咪咪dvd| 国产午夜亚洲精品不卡电影 | 蝴蝶中文娱乐 | 忘忧草秋观看未满十八 | 蜜芽在线播放免费人成日韩视频 | 日本久久精品视频 | 亚洲色欲国产免费视频 | 中国少妇内射XXXHD免费 | 色橹橹欧美在线观看视频高清 | AV97最新无码喷水叫床 | 果冻传媒完整免费网站在线观看 | 亚洲午夜无码久久久久蜜臀av | 茎身铃口调教 | 久久中文字幕乱码免费 | 粉嫩国产14xxxxx0000 | 肉色无边(高h) | 国产亚洲精品久久久久久国 | 丰满人妻无码AV系列 | 日日操夜夜操天天操 | 国产成人综合网在线观看 | 亚洲一区二区三区乱码在线欧洲 | 亚洲国产成人精品不卡青青草原 | 日产久久视频 | 无码AV精品久久一区二区免费 | 婷婷五月久久丁香国产综合 | 国产一区二区免费在线观看 | 日韩美一区二区 | 日日噜噜噜夜夜爽爽狠狠 | 永久免费精品影视网站 | 成人国产一区 | 日本一本二本三区免费免费高清 | 小黄文纯肉短篇 | 国产偷国产偷亚洲高清人乐享 |

    電子發(fā)燒友

    中國電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會(huì)員交流學(xué)習(xí)
    • 獲取您個(gè)性化的科技前沿技術(shù)信息
    • 參加活動(dòng)獲取豐厚的禮品