Aha.
正在载入中英对照阅读…

arXiv:1211.4860 · 中英对照阅读

面向计算机视觉应用的领域自适应

Domain Adaptations for Computer Vision Applications

Oscar Beijbom

中文速览

当训练数据和实际应用中的数据分布不一样时,直接用旧数据训练的模型往往会失准,而新场景又常常缺少标注。文章梳理了如何借助有标注的“源域”数据,提升模型在“目标域”上的表现,重点总结了视觉领域的研究,并按思路介绍了给样本加权、用源域知识约束模型、以及寻找两域共享特征表示等方法。总体来看,不同方法适用于不同的数据差异和标注条件,没有一种方案能解决所有情况。它的重要性在于把分散的领域适应方法放进同一框架,帮助读者理解何时能迁移旧知识、又该怎样减少跨场景应用时的性能落差。

摘要

统计学习理论(Statistical learning theory)的一项基本假设是,训练数据和测试数据来自同一底层分布。然而,在许多应用中,这一假设并不成立。相反,某个特定的“源”领域(source domain)可能存在大量带标签数据,而推理则需要在另一个“目标”领域(target domain)中进行。领域自适应(domain adaptation)方法利用来自两个领域的带标签数据,提升对目标领域中未见数据的分类性能。在本文中,我们综述了适用于各种应用领域的领域迁移学习(domain transfer learning)方法,重点关注计算机视觉领域的近期研究。

A basic assumption of statistical learning theory is that train and test data are drawn from the same underlying distribution. Unfortunately, this assumption doesn’t hold in many applications. Instead, ample labeled data might exist in a particular ‘source’ domain while inference is needed in another, ‘target’ domain. Domain adaptation methods leverage labeled data from both domains to improve classification on unseen data in the target domain. In this work we survey domain transfer learning methods for various application domains with focus on recent work in Computer Vision.

术语表

statistical learning theory
统计学习理论
domain adaptation (DA)
领域自适应
domain transfer learning
领域迁移学习
source domain
源领域
target domain
目标领域
distribution shift
分布偏移
covariate shift
协变量偏移
transfer learning (TL)
迁移学习
active learning
主动学习
weakly supervised learning
弱监督学习
multiple instance learning
多实例学习
latent structural SVM
潜在结构支持向量机
semi-supervised learning
半监督学习
co-training
协同训练
one-shot learning
单样本学习
model adaptation
模型自适应
Adapted Gaussian Mixture Models
自适应高斯混合模型
cross-modal classification
跨模态分类
cross-modal retrieval
跨模态检索
joint probability distribution
联合概率分布
marginal probability distribution
边缘概率分布
supervised domain adaptation
有监督领域自适应
unsupervised domain adaptation
无监督领域自适应
semi-supervised domain adaptation
半监督领域自适应
instance weighting
实例加权
empirical risk minimization
经验风险最小化
common representation
共享表示