以风格过滤器增强工业迁移学习：降低成本并聚焦缺陷

针对工业领域数据稀缺的挑战，迁移学习成为一种关键范式。本文引入了风格过滤器（Style Filter），一种为工业场景量身定制的方法。通过在知识迁移前有选择地过滤源域数据，风格过滤器在减少数据量的同时，保持甚至提升了迁移学习策略的性能。风格过滤器具有无标签操作、对先验知识依赖极小、独立于特定模型以及可重复利用等特点，并在真实工业数据集上进行了评估，凸显了其在深度学习领域常规迁移策略之前使用的有效性。结果强调了风格过滤器在真实世界工业应用中的效力。