跨域与跨任务的学习不变表示
图像与视频处理
2021-03-10 v1 计算机视觉与模式识别
机器学习
摘要
收集海量 COVID-19 图像样本来训练深度分类模型既昂贵又耗时，迁移学习成为一种有前景的方法，通过将知识从丰富的典型肺炎数据集迁移用于 COVID-19 图像分类。然而，由于两个数据集之间的特征分布差异以及诊断肺炎和 COVID-19 所依赖不同特征导致的任务语义差异，负迁移可能使性能恶化。当目标数据集无可用标签（即无监督任务迁移学习）时，问题更具挑战性。本文中，我们提出一种新颖的任务自适应网络（TAN）来解决这一无监督任务迁移问题。除了通过域对抗训练学习可迁移特征外，我们提出了一种新颖的任务语义适配器，其使用学会学习策略来适应任务语义。在三个公开 COVID-19 数据集上的实验表明，我们提出的方法取得了优越性能。尤其在 COVID-DA 数据集上，TAN 相较近期强基线显著将召回率和 F1 值分别提升了 5.0% 和 7.8%。此外，我们展示了 TAN 在多个公开域适应基准上也取得了优越性能。
引用
@article{arxiv.2103.05114,
title = {Learning Invariant Representations across Domains and Tasks},
author = {Jindong Wang and Wenjie Feng and Chang Liu and Chaohui Yu and Mingxuan Du and Renjun Xu and Tao Qin and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2103.05114},
year = {2021}
}
备注
Technical report, 12 pages