Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:1211.4860

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:1211.4860 (cs)
[提交于 2012年11月20日 ]

标题: 计算机视觉应用中的领域自适应

标题: Domain Adaptations for Computer Vision Applications

Authors:Oscar Beijbom
摘要: 统计学习理论的一个基本假设是训练数据和测试数据来自相同的潜在分布。 不幸的是,这一假设在许多应用中并不成立。 相反,在特定的“源”领域可能存在大量标记数据,而在另一个“目标”领域需要进行推理。 领域自适应方法利用两个领域的标记数据来提高目标领域中未见数据的分类效果。 在本工作中,我们回顾了各种应用领域的领域迁移学习方法,重点关注计算机视觉领域的最新工作。
摘要: A basic assumption of statistical learning theory is that train and test data are drawn from the same underlying distribution. Unfortunately, this assumption doesn't hold in many applications. Instead, ample labeled data might exist in a particular `source' domain while inference is needed in another, `target' domain. Domain adaptation methods leverage labeled data from both domains to improve classification on unseen data in the target domain. In this work we survey domain transfer learning methods for various application domains with focus on recent work in Computer Vision.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器学习 (cs.LG); 机器学习 (stat.ML)
引用方式: arXiv:1211.4860 [cs.CV]
  (或者 arXiv:1211.4860v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.1211.4860
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Oscar Beijbom Mr [查看电子邮件]
[v1] 星期二, 2012 年 11 月 20 日 20:54:30 UTC (208 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-11
切换浏览方式为:
cs
cs.LG
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号