深度迁移度量学习.pdfVIP

深度迁移度量学习 摘要：传统的迁移学习方法通常假定训练样本和测试样本在类似的场景中被捕获，使得它们 的分布被假定为相同。这个假设在许多真实的视觉识别应用中不成立，特别是当在不同的数 据集中捕获样本时。在本文中，我们提出了一种新的深度迁移度量学习（DTML）方法，通 过将标记源域中的辨别知识传输到未标记的目标域来学习一组用于跨域视觉识别的层级非 线性变换. 具体来说，我们的DTML 通过最大化类间变化和最小化类内变化来学习深度量度 网络，以及最小化网络的顶层处的源域和目标域之间的分布散度。为了更好地利用来自源域 的