基于AdaBoost的从多层ConvNet特征中进行特征选择的迁移学习
计算机视觉与模式识别
2016-03-28 v2
摘要
卷积网络（ConvNets）是学习视觉特征层次结构的强大模型，也可用于获取迁移学习的图像表示。迁移学习的基本流程是先在大型数据集（源任务）上训练一个ConvNet，然后将训练好的ConvNet的前馈单元激活用作较小数据集（目标任务）的图像表示。我们的关键贡献在于证明多层ConvNet特征优于单层ConvNet特征。组合多层ConvNet特征将产生更复杂的特征空间，其中某些特征重复。这需要某种形式的特征选择。我们使用带有单桩的AdaBoost来隐式地从拼接的ConvNet特征中仅选择对分类有用的独特特征。实验结果表明，使用多层ConvNet层激活特征而非单层ConvNet层特征能持续产生更优性能。随着源任务与目标任务之间距离的增大，改进变得显著。
引用
@article{arxiv.1602.00417,
title = {Transfer Learning Based on AdaBoost for Feature Selection from Multiple ConvNet Layer Features},
author = {Jumabek Alikhanov and Myeong Hyeon Ga and Seunghyun Ko and Geun-Sik Jo},
journal= {arXiv preprint arXiv:1602.00417},
year = {2016}
}