神经元线性变换：为人群计数建模域偏移
计算机视觉与模式识别
2021-01-15 v2
摘要
跨域人群计数（CDCC）因其在公共安全中的重要性而成为一个热点话题。CDCC 的目的是缓解源域与目标域之间的域偏移。近来，典型方法试图通过图像翻译与对抗学习提取域不变特征。具体到特定任务，我们发现域偏移反映在模型参数的差异上。为在参数层面直接描述域差距，我们提出神经元线性变换（NLT）方法，利用域因子与偏置权重来学习域偏移。具体而言，对于源模型的特定神经元，NLT 利用少量带标签目标数据学习域偏移参数。最终，目标神经元通过线性变换生成。在六个真实世界数据集上的大量实验与分析验证了 NLT 相较于其他域适应方法取得了顶尖性能。消融研究也表明 NLT 比监督训练与微调训练更鲁棒且更有效。代码见：\url{https://github.com/taohan10200/NLT}。
引用
@article{arxiv.2004.02133,
title = {Neuron Linear Transformation: Modeling the Domain Shift for Crowd Counting},
author = {Qi Wang and Tao Han and Junyu Gao and Yuan Yuan},
journal= {arXiv preprint arXiv:2004.02133},
year = {2021}
}
备注
accepted by IEEE T-NNLS