|
迁移学习提供一种将源环境中学到的知识运用到相关环境，以辅助完成新任务的方法。迁移学习放宽了传统机器学习中必须拥有足够的训练样本，且训练和测试样本必须服从同概率分布的前提条件[13]。随着深度卷积神经网络在自动分析和图像特征识别方面取得的卓越成果，迁移学习被广泛应用于卷积神经网络，通过共享源环境中的模型结构或先验参数以实现目标任务。如王文朋等[14]迁移VGG16源模型的整体网络参数用于提高烟雾场景识别的精度。黄洁等[15]将预迁移源模型AlexNet与支持向量机（SVM）相结合，用于舰船遥感图像的目标检测，一定程度上避免了过拟合现象。孙超等[16]改进了基于CNN的自然图像超分辨率方法以提高图像的分辨率，并将改进的网络结构及参数迁移到少数高质量红外图像上，改善了红外图像的超分辨率性能。考虑到源域和目标域的差异，Long等[17]将ImageNet数据集上已训练好的AlexNet网络结构和对应权重参数迁移到目标任务上，并在高层网络间进行多层适配，以减小源域和目标域之间的差异。为了数值化预迁移源模型的迁移能力，Muhammad等[18]将源域与目标域之间样本的互信息作为衡量源模型迁移能力的指标，并将迁移率最高的源模型网络结构及参数迁移到目标域上进行分类任务。迁移学习能够很好地解决现实中多数领域中标注数据有限、特征异构甚至异类等问题。但迁移学习在各方面应用及迁移效果的研究中多数考虑网络参数的全部迁移，实际上由于源域及目标域的差异，必然存在最佳迁移层数。如何适配源模型的最佳迁移层数，在充分考虑目标域样本特征的同时提高迁移效果，也是迁移学习研究的关键性问题。
|