用于显著性预测的 n-参考迁移学习
计算机视觉与模式识别
2020-07-13 v1 机器学习
摘要
受益于深度学习研究与大规模数据集，显著性预测在过去十年中取得了显著成功。然而，对于缺乏充足数据以满足数据饥渴模型的新域图像，预测其显著性图仍具挑战。为解决此问题，我们提出了一种用于显著性预测的少样本迁移学习范式，其能够将现有大规模显著性数据集中学到的知识高效迁移到仅有少量标注样本的目标域。具体而言，极少的目标域样本被用作参考，与源域数据集一起训练模型，使训练过程收敛到有利于目标域的局部极小值。随后，利用该参考对学到的模型进行进一步微调。所提框架基于梯度且模型无关。我们在多种源域与目标域组合上进行了全面的实验与消融研究。结果表明，所提框架取得了显著的性能提升。代码已公开于 \url{https://github.com/luoyan407/n-reference}。
引用
@article{arxiv.2007.05104,
title = {$n$-Reference Transfer Learning for Saliency Prediction},
author = {Yan Luo and Yongkang Wong and Mohan S. Kankanhalli and Qi Zhao},
journal= {arXiv preprint arXiv:2007.05104},
year = {2020}
}
备注
ECCV 2020