一种基于伪标签的深度迁移学习算法

深度学习的成功依赖于海量的训练数据,然而获取大规模有标注的数据并不容易,成本昂贵且耗时;同时由于数据在不同场景下的分布有所不同,利用某一特定场景的数据集所训练出的模型往往在其他场景表现不佳.迁移学习作为一种将知识从一个领域转移到另一个领域的方法,可以解决上述问题.深度迁移学习则是在深度学习框架下实现迁移学习的方法.提出一种基于伪标签的深度迁移学习算法,该算法以ResNet-50 为骨干,通过一种兼顾置信度和类别平衡的样本筛选机制为目标域样本提供伪标签,然后进行自训练,最终实现对目标域样本准确分类,在Office-31 数据集上的三组迁移学习任务中,平均准确率较传统算法提升 5.0%.该算法没有引入任何额外网络参数,且注重源域数据隐私,可移植性强,具有一定的实用价值.