1、介绍
Side-Tuning: A Baseline for Network Adaptation via Additive Side Networks侧调(通常是网络自适应)的目标是利用预先训练的模型来更好地学习一个或多个新颖的任务。侧调方法很简单:它假设访问给定的(基本)模型B:X→Y,将输入X映射到某个表示Y上。然后,侧调学习一个侧模型S:X→Y,因此目标任务的计划表示如下
R(x)=B(x)⊕S(x)
对于某些组合操作⊕。例如,选择
B(x)⊕S(x)=αB(x)+(1−α)S(x)(通常称为α-混合)可减少侧调方法,以根据α(图2,右图)进行微调、特征提取和阶段性训练。因此,这些可以看作是侧调方法的特殊情况(图1)。 基本模型。基本模型B(x)提供了一些核心的认知或感知,我们对B(x)的计算方式没有任何限制。我们从不更新B(x),而且在我们的方法中,它的可学习参数为零。
第一步:利用侧调模型对源域任务进行训练,训练过程中改变α参数的值:



第二步:固定左侧模型,对右侧模型进行side-tune:

Side-Tuning:domain adaption相关推荐

  1. 学习笔记|领域自适应(Domain adaption)——实现模型的自适应迁移

    1. 领域自适应网络概述 有时候我们在某个领域训练出的一个模型,想迁移到另一个领域,这样我们就不需要每个领域都去标注大量的数据了.但是这两个领域的数据分布是有些差异,要如何办呢?比如我们在黑白图片上训 ...

  2. Domain Adaption 领域自适应

    定义(from Wiki): Domain Adaption是transfer leanring(迁移学习)中很重要的一项内容.主要目的是将具有不同分布的(data distribution)的具有标 ...

  3. CYCADA: cycle-consistent adversaial domain adaption阅读笔记

    CYCADA: cycle-consistent adversaial domain adaption阅读笔记 目录 CYCADA: cycle-consistent adversaial domai ...

  4. style transfer/domain adaption简介

    style transfer和domain adaption还是有很多相似之处的,本文挑选几篇文章进行简略介绍 Texture Synthesis Using Convolutional Neural ...

  5. 论文阅读问题总结(六):Meta-Learning with Domain Adaption for Few-shot Learning Under Domain Shift

    1.这篇paper作者提出要解决的问题? 作者提出,大部分现存的小样本元学习领域的一些工作都基于两个假设: training task和testing task都是从满足同一task distribu ...

  6. MPDA:基于Domain Adaption的V2X协同感知(3D目标检测)

    标签:Domain gap:CP without sharing the model information:Intermediate Fusion:3D Object Detection: 论文标题 ...

  7. Adversarial Discriminative Domain Adaption 阅读笔记

    文章发表于 CVPR 2017 文章利用GAN网络的思想用于cross-domain识别 文章首先提到 1 先前的生成网络不适用于大的domain shift 2 先前的辨别网络施加固定的权重,没有利 ...

  8. Domain Adaption

    source domain target domain 源域和目标域往往属于同一类任务,但是分布不同. 根据目标域和源域的不同类型,领域自适应问题有四类不同的场景:无监督的,有监督的,异构分布和多个源 ...

  9. 转载:domain adaption

    有一篇论文([cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation )对Domain Ad ...

  10. Unsupervised Domain Adaption of Object Detectors : A Survey

    目录 摘要 1.简介 2.2.域适配 2.2.1.无监督域适配 3.方法 3.1.对抗特征学习 3.1.1.通过梯度倒转来进行特征学习 3.1.2.通过对抗训练来进行域适应检测 3.1.3.权重对抗特 ...

最新文章

  1. 用tirgger实现主键自增(trigger+sequence)
  2. Python下载与安装教程
  3. IE8采用IE7模式
  4. 快速排序的原理以及Java代码
  5. 代码英雄之云间战争:寡头时代,路在何方?
  6. 黄聪:HBuilder左侧项目管理器如何不与标签页一起自动切换
  7. 005-OpenStack-网络服务
  8. 机器学习---人脸对齐的基于形状模型的训练
  9. SpringBoot集成mybatis拦截器修改表名
  10. 普通人翻身的希望?揭秘“元宇宙”到底是个啥玩意!
  11. MATLAB简单实现ID3算法
  12. 阿里云的ECS服务器1M宽带等于多少入网kbps和出网kbps
  13. 有什么好玩的网页小游戏网站推荐么?
  14. 使用了3年多的华硕笔记本电脑fl5900uq7500电脑感受-提示已接通电源、正在放电抓狂问题
  15. asp.net form身份认证不定时认证失败的问题 排查
  16. scratch飞翔的小猫 电子学会图形化编程scratch等级考试一级真题和答案解析2022年3月
  17. 思想一年一年进步才好
  18. java aes ctr_AES CBC和CTR加解密实例
  19. java毫秒值转换成日期_Java学习笔记day08
  20. 哈工大自动出校申请(selenium+chromedriver)(2021.3.22更新)

热门文章

  1. VS Code中使用PlantUML绘图
  2. linux 二次封装 释放,Linux必学的60个命令(二)
  3. python numpy 多条件筛选
  4. 西米支付:支付宝/微信支付/银联支付通道的接入介绍
  5. 如何计算给定二叉树中的叶节点数?
  6. python提醒事件_利用python实现短信和电话提醒功能的例子
  7. 【重装系统】Ubuntu系统重装为windows10
  8. 对菜鸟开发者的叮咛:花一万个小时练习 Coding,不要浪费一万小时无谓地 Debugging
  9. Python 获取文件后缀详解
  10. 新阿阳发卡网完整运营源码