深度迁移学习用于图像分类：综述

卷积神经网络（CNNs）与 transformers 等深度神经网络近年来在图像分类中取得诸多成功。已有持续证据表明，图像分类的最佳实践是在大量标注数据上训练大型深度模型。然而在许多真实场景中，无法满足获取最佳性能所需的大量训练数据要求。在这些场景中，迁移学习可帮助提升性能。迄今尚无全面综述深度迁移学习在图像分类整体上的应用。不过，已有若干近期关于深度迁移学习的通用综述以及涉及特定专门目标图像分类任务的综述发表。我们认为，为领域未来进展计，有必要整理当前所有知识并分析讨论总体模式。本综述中，我们正式定义深度迁移学习及其针对图像分类试图解决的问题。我们调研该领域现状并指出近期进展所在。我们展示当前知识的缺口，并就如何推进该领域以填补这些知识缺口提出建议。我们提出一种用于图像分类的迁移学习应用新分类法。该分类法便于审视迁移学习在何处有效、在何处未发挥潜力的总体模式。这也使我们能指出问题所在及如何更有效地使用它。我们表明，在此新分类法下，许多已显示迁移学习无效甚至损害性能的应用，在考虑源与目标数据集及所用技术时是可预期的。