利用卷积滤波器模式进行迁移学习
计算机视觉与模式识别
2017-08-24 v1
摘要
在本文中，我们引入了一种用于迁移学习的新正则化技术。所提方法的目的是捕获从训练良好的网络中学到的卷积滤波器之间的统计关系，并将此知识迁移到另一个网络。由于主流深度卷积神经网络（CNN）模型的卷积滤波器共享许多相似模式，为了加速学习过程，我们通过高斯混合模型（GMMs）捕获此类相关性，并使用正则项进行迁移。我们在 CIFAR10、Places2 和 CMPlaces 数据集上分别进行了大量实验，以评估所提方法的泛化性、任务可迁移性和跨模型可迁移性。实验结果表明，通过所提统计正则化方案，特征表示已被高效地学习与迁移。此外，我们的方法是一种架构无关的方法，适用于多种 CNN 架构。
引用
@article{arxiv.1708.06973,
title = {Exploiting Convolution Filter Patterns for Transfer Learning},
author = {Mehmet Aygün and Yusuf Aytar and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:1708.06973},
year = {2017}
}
备注
Accepted to TASK-CV Workshop at ICCV 2017