迈向适应现实的 ImageNet：基于隐式低秩变换的可扩展域自适应
计算机视觉与模式识别
2013-08-21 v1 机器学习
机器学习
摘要
测试时看到的图像往往与用于学习的图像不属于同一分布。这种被称为域偏移（domain shift）的问题，出现在从以物体为中心的互联网图像数据库训练分类器并试图将其直接应用于场景理解任务时。其后果往往是严重的性能下降，也是分类器在现实世界系统中应用的主要障碍之一。在本文中，我们展示了如何以可扩展的方式学习基于变换的域自适应分类器。核心思想是利用源自最大间隔域自适应公式的隐式秩约束，使优化变得可处理。实验表明，域之间的变换可以非常高效地从数据中学习，并轻松应用于新类别。这开始弥合大规模互联网图像集合与日常生活环境中捕获的物体图像之间的差距。
引用
@article{arxiv.1308.4200,
title = {Towards Adapting ImageNet to Reality: Scalable Domain Adaptation with Implicit Low-rank Transformations},
author = {Erik Rodner and Judy Hoffman and Jeff Donahue and Trevor Darrell and Kate Saenko},
journal= {arXiv preprint arXiv:1308.4200},
year = {2013}
}