迁移学习(Transfer Learning)

转自：中国人工智能培训网

链接：https://www.chinaai.org.cn/

《国务院关于印发新一代人工智能发展规划的通知》指出：“新一代人工智能重大科技项目，聚焦基础理论和关键共性技术的前瞻布局，包括研究大数据智能、跨媒体感知计算、混合增强智能、群体智能、自主协同控制与决策等理论，研究知识计算引擎与知识服务技术、跨媒体分析推理技术、群体智能关键技术、混合增强智能新架构与新技术、自主无人控制技术等，开源共享人工智能基础理论和共性技术。”随着人工智能的发展，越来越多的机器学习应用场景的出现，现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。迁移学习专注于存储已有问题的解决模型，并将其利用在其他不同但相关问题上。比如说，用来辨识汽车的知识（或者是模型）也可以被用来提升识别卡车的能力。

1.深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念；

2.掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点；

3.握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法；

4.掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法，了解迁移学习在PDA、Source-Free DA上的应用；

5.掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用，学习图像/视频风格迁移方法，了解风格迁移在实际生活中的应用；

6.掌握小样本学习、Transformer等前沿方法和基本思想，了解小样本学习、Transformer等在实际场景下的应用；

7.通过实操掌握图片视频风格迁移，自动驾驶中的跨域语义分割，目标检测。

一、机器学习简介与经典机器学习算法介绍

1.什么是机器学习？

2.机器学习框架与基本组成

3.机器学习的训练步骤

4.机器学习问题的分类

5.经典机器学习算法介绍

目标：机器学习是人工智能的重要技术之一，详细了解机器学习的原理、机制和方法，为学习深度学习与迁移学习打下坚实的基础。

二、深度学习简介与经典网络结构介绍

1.神经网络简介

2.神经网络组件简介

3.神经网络训练方法

4.卷积神经网络介绍

5.经典网络结构介绍

目标：深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念，为深度迁移学习奠定知识基础。

三、迁移学习基础

1.迁移学习绪论

2.基于样本的迁移学习

3.基于特征的迁移学习

4.基于分类器适配的迁移学习

目标：掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点，掌握迁移学习的适用范围。

四、深度迁移学习介绍

1.深度迁移学习概述

2.基于距离函数的深度迁移学习

3.基于对抗网络的深度迁移学习

4.深度异构迁移学习方法介绍

5.深度领域泛化学习介绍

目标：掌握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法，对比各种方法的优缺点，掌握深度迁移学习的适用范围。

五、迁移学习前沿方法介绍

1.深度迁移网络结构设计

2.深度迁移学习目标函数设计

3.全新场景下的迁移学习

目标：掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法，了解迁移学习在PDA、Source-Free DA上的应用。

六、迁移学习前沿应用

1.迁移学习在语义分割中的应用

2.迁移学习在目标检测中的应用

3.迁移学习在行人重识别中的应用

4.图片与视频风格迁移

目标：掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用，学习图像/视频风格迁移方法，了解风格迁移在实际生活中的应用。

七、小样本学习、Transformer等前沿方法与应用

1.小样本学习概念与基本方法介绍

2.小样本学习应用

3.Transformer概念与基本方法介绍

4.Transformer在图像领域的应用

目标：掌握小样本学习、Transformer等前沿方法和基本思想，了解小样本学习、Transformer等在实际场景下的应用。

八、实验实操之实操环境搭建

硬件准备：GPU显存11GB以上软件准备：Linux操作系统（Ubuntu16.04以上），显卡驱动安装（512.54），CUDA Toolkit（10.1）和cuDNN加速库（7.6.4），VS Code编辑器安装，Jupyter Notebook 编程语言和框架：Python3.8.5、torch==1..07、torchvision==0.8.2、mmcv-full==1.3.7、opencv-python==4.4.0、matplotlib==3.4.2、numpy==1.19.2、Pillow==8.3.1、scikit-learn==1.0.2 数据集准备：Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等注：硬件准备由主办方提供云服务器

九、实验实操之深度迁移学习实践

1.掌握PyTorch中的基本原理和编程思想。

2.理解在一个新的场景或数据集下，何时以及如何进行迁移学习。

3.利用PyTorch加载数据、搭建模型、训练网络以及进行网络微调操作。

4.给定迁移场景，利用daib库和生成对抗技术独立完成图像分类中的领域适配。

5.迁移效果的可视化，利用机器学习库scikit-learn中的t-SNE对迁移过后的高维数据进行可视化。

十、实验实操之图片与视频风格迁移实践

1.掌握基于生成对抗网络的风格迁移技术。

2.图像/视频风格迁移网络的搭建，重点掌握编码器和解码器的内在逻辑和不同损失函数的运用。

3.实践红外视频转换到可见光视频的风格迁移。

十一、实验实操之自动驾驶中的跨域语义分割实践

1.掌握语义分割发展现状及代表性工作，如FCN，DeepLab系列等。