知识卡片
领域自适应与领域泛化的区别
领域自适应可在训练或适应时利用目标领域的信息,例如未标注样本或少量标签;领域泛化则面向训练时不可用的目标领域,尝试通过多源数据或合理的数据增强提高跨领域表现。两者均需在未参与模型选择的目标条件上评估。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 迁移学习 13.3 领域泛化 · 查看原书依据
对目标领域一无所知,而且并不是要适应到某特定领域的问题通常称为领域泛化.领域泛化分为两种情况.一种情况是训练数据非常丰富,包含各个不同的领域,而测试数据只有一个领域.如图13.10(a)所示,假设要做猫狗的分类器,训练数据里面有猫和狗的真实照片,也有猫和狗的素描画,还有猫和狗的水彩画,我们期待因为训练数据有多个领域,模型可以学会弥补领域之间的差异. 当测试数据是猫和狗的卡通图片时,模型也可以处理,具体细节见论文“Domain Generalization with Adversarial Feature Learning”[9] .另一种情况如图13.10(b)所示,训练数据只有一个领域,而测试数据包含多个不同的领域. 虽然只有一个领域的训练数据,但我们可以使用数据增强的方法产生多个领域的训练数据,具体细节见论文“Learning to Learn Single Domain Generalization”[10].
参考来源
- 位置:《深度学习详解》第13章《迁移学习》13.3 领域泛化(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter13.xhtml`)
- 结论依据:原文介绍领域差异、对抗特征训练及目标类别和数据可用性限制。
- 原始内容:对目标领域一无所知,而且并不是要适应到某特定领域的问题通常称为领域泛化.领域泛化分为两种情况.一种情况是训练数据非常丰富,包含各个不同的领域,而测试数据只有一个领域.如图13.10(a)所示,假设要做猫狗的分类器,训练数据里面有猫和狗的真实照片,也有猫和狗的素描画,还有猫和狗的水彩画,我们期待因为训练数据有多个领域,模型可以学会弥补领域之间的差异. 当测试数据是猫和狗的卡通图片时,模型也可以处理,具体细节见论文“Domain Generalization with Adversarial Feature Learning”[9] .另一种情况如图13.10(b)所示,训练数据只有一个领域,而测试数据包含多个不同的领域. 虽然只有一个领域的训练数据,但我们可以使用数据增强的方法产生多个领域的训练数据,具体细节见论文“Learning to Learn Single Domain Generalization”[10].