面向辅助目标识别的迁移学习：深度学习与其他机器学习方法的比较
计算机视觉与模式识别
2020-11-26 v1
摘要
辅助目标识别（AiTR）即从传感器数据中对物体进行分类的问题，是一个具有重要工业与国防应用价值的问题。尽管分类算法持续改进，它们常需要超出可得量的训练数据，或不能很好迁移至训练集中未代表的设定。这些问题可通过迁移学习（TL）缓解，即将在充分理解的源域中获得的知识迁移至感兴趣的目标域。在此语境下，目标域可代表标注稀少的数据集、不同传感器，或全然不同的待识别类别集。尽管用于分类的 TL 数十年来一直是机器学习（ML）研究的活跃领域，深度学习框架内的迁移学习仍是相对新颖的研究方向。虽然深度学习（DL）在近期真实世界问题上提供了卓越的建模灵活性与准确度，关于使用 DL 相较于其他 ML 架构能获得多少迁移收益仍存开放问题。我们的目标是通过在多个迁移任务与数据集上比较 DL 框架内的迁移学习与其他 ML 方法来弥补此不足。主要贡献为：1）在包括基因表达与卫星影像在内的若干迁移任务与域上对 DL 与 ML 算法的实证分析；2）关于 AiTR 中 TL 局限性及假设的讨论——对 DL 与一般 ML 均如此。最后我们讨论了 DL 迁移的未来方向。
引用
@article{arxiv.2011.12762,
title = {Transfer Learning for Aided Target Recognition: Comparing Deep Learning to other Machine Learning Approaches},
author = {Samuel Rivera and Olga Mendoza-Schrock and Ashley Diehl},
journal= {arXiv preprint arXiv:2011.12762},
year = {2020}
}