用于无监督领域自适应的深度哈希网络
计算机视觉与模式识别
2017-06-26 v1
摘要
近年来，深度神经网络已成为广泛应用于各种应用领域的主流机器学习工具。然而，训练深度神经网络需要大量标注数据，这在时间、人力和专业知识方面代价高昂。领域自适应或迁移学习算法通过利用不同但相关的源领域中的标注数据，为目标领域开发模型，从而应对这一挑战。此外，数字数据的爆炸性增长对其存储与检索提出了根本性挑战。由于哈希具有存储与检索效率，近年来它在各种计算机视觉应用中得到了广泛应用。在本文中，我们首先引入了一个新数据集 Office-Home，用于评估领域自适应算法。该数据集包含来自多个领域的各种日常物体图像。然后，我们提出了一种新颖的深度学习框架，该框架能够利用标注的源数据与未标注的目标数据学习信息丰富的哈希码，从而准确分类未见的目标数据。据我们所知，这是首个利用深度神经网络的特征学习能力来学习代表性哈希码以解决领域自适应问题的研究努力。我们在多个迁移任务上的大量实证研究证实了该框架在学习高效哈希码方面的有效性，其在无监督领域自适应中优于现有的竞争基线。
引用
@article{arxiv.1706.07522,
title = {Deep Hashing Network for Unsupervised Domain Adaptation},
author = {Hemanth Venkateswara and Jose Eusebio and Shayok Chakraborty and Sethuraman Panchanathan},
journal= {arXiv preprint arXiv:1706.07522},
year = {2017}
}
备注
CVPR 2017