基于多任务自编码器的目标识别领域泛化
计算机视觉与模式识别
2016-07-28 v1 人工智能
机器学习
机器学习
摘要
领域泛化问题是指将从若干具有训练数据的相关领域中获取的知识，成功应用于此前未见的领域。我们提出了一种新的特征学习算法，即多任务自编码器，为跨领域目标识别提供了良好的泛化性能。我们的算法扩展了标准去噪自编码器框架，将人为引入的损坏替换为物体外观中自然存在的跨领域变异性。MTAE 不再从含噪版本中重建图像，而是学习将原始图像转换为多个相关领域中的类似图像。从而学习到对跨领域变化具有鲁棒性的特征。随后，将学习到的特征用作分类器的输入。我们在基准图像识别数据集上评估了该算法的性能，其任务是从多个数据集中学习特征，然后预测未见过数据集的图像标签。我们发现，（去噪）MTAE 优于其他基于自编码器的模型以及当前领域泛化的 SOTA 算法。
引用
@article{arxiv.1508.07680,
title = {Domain Generalization for Object Recognition with Multi-task Autoencoders},
author = {Muhammad Ghifary and W. Bastiaan Kleijn and Mengjie Zhang and David Balduzzi},
journal= {arXiv preprint arXiv:1508.07680},
year = {2016}
}
备注
accepted in ICCV 2015