利用 CNN 分类层特征的迁移学习
计算机视觉与模式识别
2019-03-28 v2
摘要
尽管 CNNs 已凭借大型标注数据集获得了从源任务向目标任务迁移所学知识的能力，但在无 GPU 情况下微调会消耗巨大的处理时间。本文提出一种计算高效的新型迁移学习方法，利用预训练 CNNs 的分类层特征，在现有分类层之后追加一层。我们证明，针对新任务对追加层与现有分类层进行微调比基线收敛快得多，且平均分类准确率优于基线。此外，我们进行了充分实验以考察训练集的数量、相似性与相异性对分类结果的影响，从而证明分类层特征的可迁移性。
引用
@article{arxiv.1811.07459,
title = {Transfer Learning Using Classification Layer Features of CNN},
author = {Tasfia Shermin and Manzur Murshed and Guojun Lu and Shyh Wei Teng},
journal= {arXiv preprint arXiv:1811.07459},
year = {2019}
}