鲁棒迁移学习的多元损失（Multiverse Loss）
计算机视觉与模式识别
2015-12-23 v2
摘要
深度学习技术以支持有效的迁移学习而闻名。然而，正如我们所展示的，迁移的表示仅支持少数分离模式，且其大量维度未被利用。在这项工作中，我们建议在源域学习多个正交分类器。我们证明这导致一个降秩表示，但支持更多判别方向。有趣的是，多个分类器产生的softmax概率可能相同。在CIFAR-100和LFW上的实验结果进一步证明了我们方法的有效性。
引用
@article{arxiv.1511.09033,
title = {The Multiverse Loss for Robust Transfer Learning},
author = {Etai Littwin and Lior Wolf},
journal= {arXiv preprint arXiv:1511.09033},
year = {2015}
}
备注
In the second version, whitening was applied in the CIFAR-100 experiments in order to improve results. Figure 2 in [v1] had a duplicate subfigure which is now fixed