.png){kind=icon}
返回
Target-Directed Progressive Gradient Adjusting for transfer learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111731.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习已革新多种任务并取得卓越性能，其依赖于丰富的数据。迁移学习作为一种有前景的方法出现，旨在解决目标域中数据有限带来的挑战。现有技术通常通过正则化策略，将源域预训练模型的知识迁移至目标域。这些策略将微调过程约束在受限的优化空间内，通常仅依赖目标域样本的有限监督。尽管这些正则化技术有助于提升性能，但也可能保留显著的源域知识，从而阻碍针对目标域理想解的优化。本文提出了一种新颖的迁移学习技术——目标导向渐进梯度调整（TPGA）。与传统预训练-微调范式不同，TPGA在每次迭代中，依据少量目标域样本逐步调整源域样本的梯度方向。本文从梯度优化视角提供了TPGA收敛性的理论证明，并据此提出了一种新的迁移学习框架。在图像分类和分割任务上的大量实验表明，TPGA优于现有最先进方法，实现了更优的迁移学习性能，尤其在目标域数据有限的情况下表现突出。
Keyword:
Image classification
Image segmentation
Transfer learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏On automated source selection for transfer learning in convolutional neural networks.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Domain consistency regularization for unsupervised multi-source domain adaptive classificationPATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容