可扩展的卷积神经网络域适应
计算机视觉与模式识别
2015-12-08 v1
摘要
卷积神经网络(CNN)正趋于成为解决大量计算机视觉问题的标准方法。除了在其设计上的重要理论和实际进展外，它们的成功建立在存在手动标注的视觉资源之上，如ImageNet。创建此类数据集繁琐，此处我们关注手动标注的替代方案。我们假设新资源在ImageNet未覆盖或弱覆盖的领域（如旅游照片）至关重要。我们首先为旅游兴趣点收集带噪声的Flickr图像，并应用自动或弱监督重排序技术以降低噪声。然后，我们使用标准CNN架构学习域适应模型，并将其与从ImageNet获得的通用模型进行比较。实验验证使用公开可用数据集进行，包括Oxford5k、INRIA Holidays和Div150Cred。结果表明，低成本域适应相较于使用通用模型、也相较于如triangulation embedding的强非CNN基线改善了结果。
引用
@article{arxiv.1512.02013,
title = {Scalable domain adaptation of convolutional neural networks},
author = {Adrian Popescu and Etienne Gadeski and Hervé Le Borgne},
journal= {arXiv preprint arXiv:1512.02013},
year = {2015}
}
备注
technical report, 6 pages