Deep visual domain adaptation: A survey

انطباق دامنه عمیق به عنوان یک تکنیک یادگیری جدید برای رسیدگی به فقدان مقدار عظیمی از اطلاعات برچسب گذاری شده است. در مقایسه با روش های متداول که یادگیرندگان ویژگی های مشترک و یا استفاده مجدد از نمونه های مهم منبع با نمایش های سطحی را یاد می گیرند، روش های سازگاری با دامنه عمیق، شبکه های عمیق را به منظور یادگیری بازنمود قابل انتقال بیشتر، با جاسازی سازگاری دامنه در مسیر یادگیری عمیق، مطالعات جامع برای انطباق دامنه سطحی انجام شده است، اما کمی به موقع بررسی روش های مبتنی بر یادگیری عمیق در حال ظهور است. در این مقاله، ما یک بررسی جامع از روش های انطباق عمیق دامنه برای برنامه های کاربردی کامپیوتری با چهار مشارکت عمده ارائه می دهیم. اولا، ما یک طبقه بندی سناریوهای انطباق عمیق دامنه های مختلف را با توجه به ویژگی های داده ها تعریف می کنیم که چگونه دو دامنه متفاوت است. دوم، ما رویکردهای انطباق عمیق دامنه را به چندین دسته بر مبنای از دست رفتن آموزش خلاصه می کنیم و به طور خلاصه روش های پیشرفته ای را در این دسته ها تحلیل و مقایسه می کنیم. سوم، ما برنامه های کاربردی بینایی کامپیوتری را مرور می کنیم که فراتر از طبقه بندی تصویری مانند تشخیص چهره، تقسیم بندی معنایی و تشخیص شی است. چهارم، برخی از کمبودهای بالقوه روش های فعلی و چندین جهت آینده، برجسته شده است.