通过表示解耦学习跨域可泛化特征
计算机视觉与模式识别
2020-03-03 v1
摘要
深度学习模型在不同域间泛化能力有限。具体而言，将知识从可用的纠缠域特征（源/目标域）与类别特征迁移到目标域中未见过的类别特征，是一个有趣且困难、当前文献中鲜有讨论的问题。该问题对诸多现实应用（如改进医学影像中的诊断分类或预测）至关重要。为应对此问题，我们提出基于互信息的解耦神经网络（MIDNet）以提取可泛化特征，从而能将知识迁移至目标域中未见过的类别特征。所提 MIDNet 发展为半监督学习范式，以减轻对标注数据的依赖。这对于数据标注需稀缺专业知识及大量时间与人力的实际应用十分重要。我们在手写数字数据集与胎儿超声数据集上展示该方法用于图像分类任务。实验表明，我们的方法优于当前最优方法，并在稀疏标注数据下达到预期性能。
引用
@article{arxiv.2003.00321,
title = {Learning Cross-domain Generalizable Features by Representation Disentanglement},
author = {Qingjie Meng and Daniel Rueckert and Bernhard Kainz},
journal= {arXiv preprint arXiv:2003.00321},
year = {2020}
}