Features transfer learning between domains for image and video recognition tasks (2020)
- Authors:
- Autor USP: SANTOS, FERNANDO PEREIRA DOS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2020.tde-19032020-083537
- Subjects: APRENDIZADO COMPUTACIONAL; REDES NEURAIS; TRANSFERÊNCIA (APRENDIZAGEM); CONHECIMENTO; GENERALIZAÇÃO (APRENDIZAGEM)
- Keywords: Alinhamento de variedades; Aprendizado profundo; Cross-domain; Cruzamento de domínios; Deep learning; Features transfer learning; Generalization measures; Manifold alignment
- Agências de fomento:
- Language: Inglês
- Abstract: A transferência de aprendizado de características objetiva reaproveitar o conhecimento adquirido previamente em um conjunto de dados de origem para aplicá-lo em outro domínio ou tarefa alvo. Um requerimento para a transferência de conhecimento é a qualidade dos espaços de características obtidos, em que métodos de aprendizado profundo são altamente aplicados por proverem descritores discriminativos e generalizáveis, em particular para imagens e vídeos, que são o foco desse trabalho. Neste contexto, as principais questões incluem: o que transferir alinhando as distribuições dos dados de origem e alvo, e ajustando os parâmetros para aumentar a capacidade de generalização dos modelos; como transferir investigando métodos que trabalham tanto sobre os espaços de características quanto sobre os modelos aprendidos; e quando transferir estudando quais dados são mais adequados para transferência, considerando discrepâncias entre os dados origem e alvo, como diferentes meios de aquisição, presença de objetos confusos e iluminação, entre outros. Esse trabalho defende o foco na transferência dos espaços de características aprendidos por redes neurais convolucionais, em particular na investigação do potencial descritivo das camadas iniciais e internas das redes convolucionais profundas e a aproximação dos espaços de características antes do alinhamento das distribuições de dados para disponibilizar melhores soluções, e no uso de dados rotulados e não rotulados para aprendizado decaracterísticas. Além dos métodos de transferência de aprendizado, como fine-tuning e manifold alignment com uso de medidas clássicas de avaliação de performance de reconhecimento, uma métrica de generalização entre domínios foi também proposta para avaliar a transferência de aprendizado. Esta tese contribui com: uma análise de múltiplos descritores contidos em redes profundas supervisionadas; uma nova arquitetura com função de perda para redes profundas semi-supervisionadas (Weighted Label Loss), em que todos os dados disponíveis, rotulados ou não, são incorporados para prover aprendizado; e uma nova medida de generalização (Cross-domain Feature Space Generalization Measure) que pode ser aplicada para qualquer modelo e sistema de avaliação.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2020
- Data da defesa: 24.01.2020
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
SANTOS, Fernando Pereira dos. Features transfer learning between domains for image and video recognition tasks. 2020. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-083537/. Acesso em: 07 abr. 2026. -
APA
Santos, F. P. dos. (2020). Features transfer learning between domains for image and video recognition tasks (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-083537/ -
NLM
Santos FP dos. Features transfer learning between domains for image and video recognition tasks [Internet]. 2020 ;[citado 2026 abr. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-083537/ -
Vancouver
Santos FP dos. Features transfer learning between domains for image and video recognition tasks [Internet]. 2020 ;[citado 2026 abr. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-083537/ - Alignment of local and global features from multiple layers of convolutional neural network for image classification
- Homogeneity index as stopping criterion for anisotropic diffusion filter
- Data augmentation guidelines for cross-dataset transfer learning and pseudo labeling
- Learning image features with fewer labels using a semi-supervised deep convolutional network
- Features transfer learning for image and video recognition tasks
- Training deep networks from zero to hero: avoiding pitfalls and going beyond
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
