10.12066/j.issn.1007-2861.2460
基于联合对抗训练的鲁棒度量迁移
迁移度量学习旨在从强大且可靠的距离度量中迁移知识来改善目标度量的效果,这些度量往往来自于学习目标相关的任务.现有的迁移度量学习算法仅关注于如何迁移知识,而这些知识容易过拟合到源域中.首先研究如何在源域中训练一个适合于迁移的源域度量,然后设计了一种通用的深度异质迁移算法来进行高效的迁移学习.值得注意的是,将源域度量以联合对抗学习的方式进行训练,再以深度神经网络的方式将其参数化表示并对其进行迁移.迁移中通过表征模仿的方式来学习源域度量中的知识,这种方式允许源域和目标域中的知识来自于异质域.此外,严格限制目标度量网络的大小,使得目标网络更够进行高效的推理计算.在人脸识别数据集上的实验展现了本方法的有效性.
迁移度量学习、深度度量学习、联合对抗训练、异质域
29
TP37(计算技术、计算机技术)
国家重点研发计划;湖北珞珈实验室开放基金资助项目;国家自然科学基金;国家自然科学基金;新加坡国家研究基金资助项目
2023-04-26（万方平台首次上网日期，不代表论文的发表时间）
共9页
1-9
