利用深度自适应网络学习可迁移特征
机器学习
2015-05-28 v2
摘要
最近的研究表明，深度神经网络可以学习可迁移特征，从而很好地泛化到域自适应的新任务中。然而，随着深度特征沿网络从通用向特定过渡，随着域差异的增加，高层的特征可迁移性显著下降。因此，正式减少数据集偏差并增强任务特定层的可迁移性至关重要。在本文中，我们提出了一种新的深度自适应网络 (DAN) 架构，将深度卷积神经网络推广到域自适应场景。在 DAN 中，所有任务特定层的隐藏表示被嵌入到再生核 Hilbert 空间中，在该空间中可以显式匹配不同域分布的均值嵌入。通过使用用于均值嵌入匹配的最优多核选择方法，进一步减少了域差异。DAN 可以学习具有统计保证的可迁移特征，并且可以通过核嵌入的无偏估计进行线性扩展。大量实证证据表明，所提出的架构在标准域自适应基准测试中产生了最先进的图像分类错误率。
引用
@article{arxiv.1502.02791,
title = {Learning Transferable Features with Deep Adaptation Networks},
author = {Mingsheng Long and Yue Cao and Jianmin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:1502.02791},
year = {2015}
}