17-22期VALSE Webinar会后总结

程一-计算所

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群已满，除讲者等嘉宾外，只能申请加入VALSE F群，群号：594312623 。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M
3、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。