注意力迁移的联合平衡领域自适应
目的 现有的图像识别方法应用于从同一分布中提取的训练数据和测试数据时具有良好性能,但这些方法在实际场景中并不适用,从而导致识别精度降低.使用领域自适应方法是解决此类问题的有效途径,领域自适应方法旨在解决来自两个领域相关但分布不同的数据问题.方法 通过对数据分布的分析,提出一种基于注意力迁移的联合平衡自适应方法,将源域有标签数据中提取的图像特征迁移至无标签的目标域.首先,使用注意力迁移机制将有标签源域数据的空间类别信息迁移至无标签的目标域.通过定义卷积神经网络的注意力,使用关注信息来提高图像识别精度.其次,基于目标数据集引入网络参数的先验分布,并且赋予网络自动调整每个领域对齐层特征对齐的能力.最后,通过跨域偏差来描述特定领域的特征对齐层的输入分布,定量地表示每层学习到的领域适应性程度.结果 该方法在数据集Office-31上平均识别准确率为77.6％,在数据集Office-Caltech上平均识别准确率为90.7％,不仅大幅领先于传统手工特征方法,而且取得了与目前最优的方法相当的识别性能.结论 注意力迁移的联合平衡领域自适应方法不仅可以获得较高的识别精度,而且能够自动学习领域间特征的对齐程度,同时也验证了进行域间特征迁移可以提高网络优化效果这一结论.
迁移学习、领域自适应、注意力机制、无监督学习、图像识别、卷积神经网络
24
TP18(自动化基础理论)
2019-08-07（万方平台首次上网日期，不代表论文的发表时间）
共10页
1116-1125
