题目: Transfer Adaptation Learning: A Decade Survey

摘要: 我们看到的世界是不断变化的,它总是随着人、事物和环境的变化而变化。域(domain)是指在某一时刻的世界状态。当研究问题需要不同时刻之间的知识对应时,其特征是域迁移自适应。传统的机器学习旨在通过最小化训练数据的正则化经验风险来寻找测试数据风险最小的模型,而训练数据和测试数据具有相似的联合概率分布。迁移自适应学习的目的是通过从语义相关但分布不同的源域学习知识,建立能够执行目标域任务的模型。这是一个越来越有影响力和重要性的充满活力的研究领域。本文综述了近年来在迁移自适应学习方法和潜在基准方面的研究进展,迁移自适应学习的研究人员面临着更广泛的挑战,即,instance re-weighting adaptation, feature adaptation,classifier adaptation,deep network adaptation,和adversarial adaptation,均超出了早期的半监督和无监督情况。这篇工作为研究人员更好地了解和确定该领域的研究现状、挑战和未来方向提供了框架。

作者: Lei Zhang,重庆大学微电子与通信工程学院研究员,博士生导师,重庆市生物感知与智能信息处理重点实验室副主任,LiVE智能学习与视觉团队负责人(http://www.leizhang.tk), IEEE Senior Member。主要聚焦于迁移学习服务于深度学习以及开放环境下的视觉分析问题。以第一或通讯在IEEE TIP/TNNLS/TMM/TCYB/TSMCA/TIM等期刊发表论文48篇、在 ICCV/AAAI/ACM MM/ACCV等会议上发表论文30余篇,出版英文专著1部,授权专利10项,多篇论文入选ESI高被引论文,Google Scholar引用1500余次。担任TPAMI/TIP/TNNLS/TMM/TCSVT等50余个期刊和AAAI/ICLR/CVPR/ICCV/IJCAI等多个会议的审稿,主持国家自然科学基金、重庆市重点研发子课题等项目10余项。曾获CCBR最佳论文奖、香江学者奖、黄尚廉院士青年创新奖、教育部学术新人奖、重庆市优博等。入选重庆大学百人计划,重庆市学术带头人后备人选、重庆市高层次人才计划—青年拔尖人才。

研究方向: 机器学习、计算机视觉、模式识别、信号处理

个人主页: http://www.leizhang.tk/

成为VIP会员查看完整内容
15+
0+

相关内容

自适应学习,也被称为自适应教学,是使用计算机算法来协调与学习者的互动,并提供定制学习资源和学习活动来解决每个学习者的独特需求的教育方法。在专业的学习情境,个人可以“试验出”一些训练方式,以确保教学内容的更新。根据学生的学习需要,计算机生成适应其特点的教育材料,包括他们对问题的回答和完成的任务和经验。该技术涵盖了各个研究领域和它们的衍生,包括计算机科学、人工智能、心理测验、教育学、心理学和脑科学。

论文名字

Transfer Adaptation Learning: A Decade Survey

论文简介

我们看到的世界是不断变化的,它总是随着人、事物和环境的变化而变化。领域是指世界在某一时刻的状态。当不同时刻之间需要知识对应时,一个研究问题被描述为领域转移适应问题。传统的机器学习的目的是通过最小化训练数据上的规则化经验风险,找到一个对测试数据期望风险最小的模型,但是假设训练数据和测试数据具有相似的联合概率分布。迁移适应学习旨在通过从语义相关但分布不同的源域学习知识,建立能够完成目标域任务的模型它是一个充满活力的研究领域,影响力和重要性与日俱增。本文综述了迁移适应学习方法和潜在基准的最新进展。转移适应学习研究者面临着更广泛的挑战,即实例重加权适应、特征适应、分类器适应、深层网络适应和对抗性适应,这些都超出了早期的半监督和无监督分裂。该调查为研究人员提供了一个框架,以便更好地了解和确定该领域的研究现状、挑战和未来方向。

论文作者

Lei Zhang,长期从事人工智能研究,是机器学习领域专家级人物,尤其在迁移学习领域颇有建树。在研究过程中,主张机器学习要面向实践,面向实际,立志解决当前问题,AI必须要有商业驱动,方能足够长远的发展。

成为VIP会员查看完整内容
9+
0+

报告嘉宾:金连文(华南理工大学)

报告时间:2019年10月16日(星期三)晚上20:00(北京时间)

报告题目:浅谈文字识别:新思考、新挑战及新机遇

报告人简介:

金连文教授1991年本科毕业于中国科技大学,1996年于华南理工大学获博士学位,目前为华南理工大学二级教授,博士生导师,兼任中国图像图形学学会(CSIG)常务理事、广东省图像图形学会副理事长、CSIG文档图像分析与识别专委会主任、CSIG机器视觉专委会常务委员、CAAI模式识别专委会常务委员、CCF计算机视觉专委会委员等职。主要研究领域为深度学习、机器学习、文字识别、计算机视觉及应用等,在IEEE TPAIMI、IEEE TNNLS、IEEE TIFS、IEEE TMM、IEEE TCSVT、IEEE TCYB、IEEE TITS、IEEE TAFFC、Pattern Recognition、Information Science、Neurocomputing等主流国际期刊上发表学术论文60余篇(其中4篇论文先后入选ESI高被引论文),在ICDAR、CVPR、AAAI、IJCAI等主流国际会议发表论文100余篇,获得发明专利授权50余项,荣获省部级科技奖励5次,荣获国际学术竞赛第一名11次。

个人主页:

http://www.dlvc-lab.net/lianwen/

报告摘要:

文字识别技术在图像理解、信息录入、智慧教育、智慧金融、信息搜索、信息安全等诸多领域有非常广阔的应用前景,是目前计算机视觉及机器学习领域的研究热点问题之一。基于深度学习的文字识别技术近年来取得了极大进步及发展,虽然不少方法在许多复杂场景及各种数据集上取得了卓越性能,但仍存在不少问题及挑战。在此报告中,我将在简要回顾近期研究进展的基础上,对目前文字识别领域存在的一些重要问题及挑战谈一点个人的思考,并对未来发展方向进行讨论和展望。

参考文献:

[1] Zecheng Xie, Yiaoxiong Huang, Yuanzhi Zhu, Lianwen Jin, Yuliang Liu, Lele Xie, Aggregation Cross-Entropy for Sequence Recognition, CVPR 2019.

[2] Yuliang Liu, Lianwen Jin, Zecheng Xie, Canjie Luo, et al., Tightness-aware Evaluation Protocol for Scene Text Detection, CVPR 2019.

[3] Yuliang Liu, Sheng Zhang, Lianwen Jin, et al., Omnidirectional Scene Text Detection with Sequential-free Box Discretization, IJCAI 2019.

[4] Lele Xie, Yuliang Liu, Lianwen Jin, Zecheng Xie, DeRPN: Taking a further step toward more general object detection, AAAI 2019.

[5] Canjie Luo, Lianwen Jin, Zenghui Sun, MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition, Pattern Recognition, vol. 90, no.6, pp109-118, 2019.

成为VIP会员查看完整内容
20191017-浅谈文字识别:新观察、新思考、新机遇.pdf
6+
0+
Top