监督深度卷积模型的单次适应

数据集偏差仍然是解决现实世界计算机视觉任务的重要障碍。尽管深度卷积网络已被证明是图像分类的一种具有竞争力的方法，但一个问题依然存在：这些模型是否解决了数据集偏差问题？一般而言，在新领域训练或微调最先进的深度模型需要大量数据，而许多应用根本无法提供这些数据。历史上，直接将模型迁移到新领域而不进行适应会导致识别性能不佳。在本文中，我们提出以下问题：一个比先前探索的适应数据量大得多的单一图像数据集，是否足以学习可有效应用于新图像领域的通用深度模型？换言之，在大量标记数据上训练的深度 CNN 是否像先前方法所显示的那样容易受到数据集偏差的影响？我们表明，在大型数据集上训练的通用监督深度 CNN 模型可以减少但不能消除数据集偏差。此外，我们提出了几种针对深度模型的适应方法，这些方法能够在极少（每类一个样本）或无需标记领域特定数据的情况下运行。我们的实验表明，在基准视觉领域适应数据集上对深度模型进行适应可以显著提升性能。