跨数据集视觉识别的迁移学习最新进展：问题导向视角
计算机视觉与模式识别
2019-05-21 v3
摘要
本文采取问题导向的视角，对用于跨数据集视觉识别的迁移学习方法（包括浅层和深层方法）进行了全面综述。具体地，我们基于一组精心选择的数据和标签属性，将跨数据集识别问题分为十七类。这种问题导向的分类法使我们能够考察不同的迁移学习方法如何处理每个问题，以及每个问题迄今为止的研究程度。这种对迁移学习进展的全面问题导向综述不仅揭示了视觉识别中迁移学习的挑战，还揭示了那些研究甚少的问题（例如十七个问题中的八个）。本综述不仅为研究人员提供了最新的技术回顾，也为机器学习从业者提供了一种系统方法和参考，以便对实际问题进行分类并据此查找可能的解决方案。
引用
@article{arxiv.1705.04396,
title = {Recent Advances in Transfer Learning for Cross-Dataset Visual Recognition: A Problem-Oriented Perspective},
author = {Jing Zhang and Wanqing Li and Philip Ogunbona and Dong Xu},
journal= {arXiv preprint arXiv:1705.04396},
year = {2019}
}