约束深度迁移特征学习及其应用

采用深度模型进行特征学习在各类视觉任务的数据表示和分类上均取得了令人瞩目的成果。然而，深度特征学习通常需要大量训练数据，这在某些应用领域中可能并不可行。迁移学习可以是缓解此问题的途径之一，通过将数据从数据丰富的源域迁移到数据匮乏的目标域来实现。现有的迁移学习方法通常执行一次性迁移学习，且往往忽略了迁移数据必须满足的特定属性。为了解决这些问题，我们引入了一种约束深度迁移特征学习方法，通过在逐步改善的特征空间中迭代执行迁移学习，来同时进行迁移学习和特征学习，以便更好地缩小目标域与源域之间的差距，从而有效地将数据从源域迁移到目标域。此外，我们提出利用目标域知识，并将此类先验知识作为约束纳入迁移学习过程中，以确保迁移数据满足目标域的某些属性。为了证明所提出的约束深度迁移特征学习方法的有效性，我们将其应用于从可见光域迁移的热红外特征学习以进行眼部检测。我们还将该方法应用于跨视角面部表情识别作为第二个应用。实验结果证明了所提出的方法在上述两个应用中的有效性。