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
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
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: 28 dez. 2025. -
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 2025 dez. 28 ] 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 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-083537/ - Data augmentation guidelines for cross-dataset transfer learning and pseudo labeling
- 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
- 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 o DOI: 10.11606/T.55.2020.tde-19032020-083537 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
