程一-计算所 发表于 2017-10-19 15:17:27

17-22期VALSE Webinar会后总结

苏黎世联邦理工学院(ETH Zurich)计算机视觉实验室任博士后李文博士2017年9月20日VALSE Webinar 成功举办。
李文,苏黎世联邦理工学院(ETH Zurich)计算机视觉实验室博士后。在迁移学习、弱监督学习、多视角学习、特有信息学习等领域发表学术论文20余篇,谷歌学术引用超过700次,其中IEEE T-PAMI 文章4篇。李文博士为CVPR2017 WebVision基于网络数据学习的大规模图像识别竞赛的主要发起人之一。
李文博士Webinar的题目为:Domain Generalization and Adaptation using Low Rank Exemplar Classifiers.
在报告中,李文博士首先介绍了Domain Adaptation问题的定义与目前主流的DA方法,进而分析了目前DA方法在Domain generalization方面存在的问题,由此提出了基于exemplar svm的领域推广与自适应的方法,该方法通过加入低秩正则项实现对源域隐结构的自动约束,进一步介绍了加速该方法的两种策略,在物体识别与动作识别的实验上均取得了显著的效果。
问答部分:
问题1:用源域样本训练的分类器对目标域样本分类得到权重是否存在bias?回答:方法中假设源域的整体分布与目标域不同,但源域的某个局部与目标域的若干样本是相似的,因此基本不会存在bias。
问题2:已知unlabeled target domain 的data这个是transductive 对吗?那对于zero shot learning没有target data您觉得有什么可以借鉴的对策吗?回答:是的,可以认为是transductive,但稍有不同,transductive通常假设目标域的样本即是测试的样本,而DA中目标域的样本同时有训练与测试样本。对于zero-shot learning可以通过其他方式获得相似度权重。
问题3:每一个样本训练一个分类器是否会复杂度特别高?回答:是的,所以后面采用了基于least square svm以及加速的矩阵求逆的方式进行加速。
问题4:请问为什么选择nuclear norm,而不是其它norm?回答:这里的本质是约束非零特征值的数量,而不是直接约束特征值的和。但由于特征值的数量是非连续的难以优化,因此采用了nuclear norm进行近似。
录像视频在线观看地址: http://www.iqiyi.com/u/2289191062
活动参与方式:1、VALSE Webinar活动全部网上依托VALSE QQ群的“群视频”功能在线进行,活动时讲者会上传PPT或共享屏幕,听众可以看到Slides,听到讲者的语音,并通过文字或语音与讲者交互;2、为参加活动,需加入VALSE QQ群,目前A、B、C、D、E、F群已满,除讲者等嘉宾外,只能申请加入VALSE F群,群号:669280237 。申请加入时需验证姓名、单位和身份,缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M3、为参加活动,请下载安装Windows QQ最新版,群视频不支持非Windows的系统,如Mac,Linux等,手机QQ可以听语音,但不能看视频slides;4、在活动开始前10分钟左右,主持人会开启群视频,并发送邀请各群群友加入的链接,参加者直接点击进入即可;5、活动过程中,请勿送花、棒棒糖等道具,也不要说无关话语,以免影响活动正常进行;6、活动过程中,如出现听不到或看不到视频等问题,建议退出再重新进入,一般都能解决问题;7、建议务必在速度较快的网络上参加活动,优先采用有线网络连接。
页: [1]
查看完整版本: 17-22期VALSE Webinar会后总结